Post on 13-Feb-2020
UNIVERSIDADE FEDERAL DE PERNAMBUCO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
PROCESSOS SEMI MARKOVIANOS E REDES BAYESIANAS PARA AVALIAÇÃO DE INDICADORES DE DESEMPENHO
DE CONFIABILIDADE DE SISTEMAS COMPLEXOS TOLERANTES À FALHA
DISSERTAÇÃO SUBMETIDA À UFPE
PARA OBTENÇÃO DE GRAU DE MESTRE
POR
MÁRCIO JOSÉ DAS CHAGAS MOURA
Orientador: Enrique López Droguett, Ph.D.
RECIFE, Novembro / 2006
M929i Moura, Márcio José das Chagas
Processos semi markovianos e redes bayesianas para avaliação de indicadores de desempenho de confiabilidade de sistemas complexos tolerantes à falha / Márcio José das Chagas Moura. – Recife: O Autor, 2006.
xi, 112 f.; il., gráfs., tabs. Dissertação (Mestrado) – Universidade Federal de
Pernambuco. CTG. Depto. de Engenharia de Produção, 2006.
Inclui referências bibliográficas, anexos e apêndices. 1. Engenharia de Produção. 2. Confiabilidade. 3.
Processos semi markovianos. 4. Transformadas de Laplace. 5. Redes bayesianas. I. Título.
658.5 CDD (22.ed.) UFPE/BCTG/2006-116
ii
PÁGINA DEDICATÓRIA
À minha avó, Iracema das Chagas (em memória).
À minha mãe, Maria da Conceição.
À minha filha, Geovanna.
iii
AGRADECIMENTOS
Esse sem dúvida é o tópico mais fácil de redigir desse trabalho. As palavras fluem
naturalmente. A causa disso é o sentimento de alegria e alívio desse momento. Inúmeras
pessoas contribuíram para a concretização desse sonho.
Em primeiro lugar, agradeço a Deus por te me concedido paz e saúde, pré-requisitos
necessários e suficientes para se iniciar qualquer coisa nesta vida.
Agradeço à minha avó, Iracema das Chagas (em memória), à minha mãe, Maria da
Conceição e à minha filha, Geovanna, mulheres que fazem minha vida ter sentido a cada dia.
Agradeço à minha família, em geral, especialmente minha tia Marinalva e meu pai, Marcos
Antônio.
Agradeço à minha namorada, Alessandra Fragoso, pelos vários momentos de compreensão
pela escassez de tempo acarretada pela consecução do presente trabalho.
Agradeço ao professor Enrique López por ter acreditado em mim e me concedido a
oportunidade de trabalhar no Risctec - Grupo de Pesquisas em Análise de Riscos Tecnológicos
e Engª de Confiabilidade. Agradeço também a todos que compõem tal grupo de pesquisa,
especialmente à professora Dayse Duarte e a Paulo Firmino.
Agradeço aos professores membros da banca, Luciano Lins e Enrico Colosimo, pelas
sugestões valiosas. Agradeço também aos professores, Eugênio Oliveira e José Dias, pelas
conversas construtivas.
Agradeço a todos meus amigos, especialmente a Mário Vieira, Vanessa Valentim, Millena
Nascimento, Adiel Filho, Rodrigo Borba, Hélder Diniz, Paulo Fernando, Márcio Mello,
Luciana Firmino, Mellina Albuquerque e Sérgio Parente.
Enfim, agradeço a todos que direta ou indiretamente me ajudaram no desenvolvimento do
presente trabalho.
iv
RESUMO
Neste trabalho, é proposta uma metodologia de modelagem de indicadores de desempenho
de Confiabilidade ((In)Disponibilidade, Confiabilidade, Manutenibilidade) de sistemas
complexos baseada na integração entre processos semi Markovianos (PSMs) e Redes
Bayesianas (RBs). Basicamente, um PSM pode ser entendido como um processo estocástico
no qual as probabilidades de transição dependem do intervalo de tempo decorrido desde o
qual um sistema possui determinadas características.
Já as Redes Bayesianas são estruturas probabilísticas que representam qualitativa e
quantitativamente relações de causa e efeito entre determinadas variáveis aleatórias de
interesse. A integração entre os PSMs e as RBs origina um modelo estocástico híbrido o qual é
capaz de representar a dinamicidade de um sistema ao mesmo tempo em que trata como as
relações de causa e efeito entre fatores não necessariamente temporais influenciam tal
evolução.
Para desenvolver tal modelo híbrido, faz-se necessário propor e formular o método
numérico computacional de resolução das equações de probabilidades de transição dos PSMs
definidos através de taxas de transição as quais são equações integrais do tipo convolução. Tal
método é baseado na aplicação de transformadas de Laplace as quais serão invertidas
utilizando o método de Quadratura Gaussiana conhecido como Gauss Legendre.
Aplicações do modelo híbrido proposto são realizadas em sistemas tolerantes à falha com
o objetivo de avaliar a evolução temporal dos indicadores de desempenho de Confiabilidade.
Palavras-chave: Engenharia de Produção, Confiabilidade, Processos semi Markovianos, Transformadas de Laplace, Redes Bayesianas, Indicadores de desempenho, Sistemas tolerantes à falha.
v
ABSTRACT
In this work, a methodology of modeling of Reliability performance indicators
((Un)Availability, Reliability, Maintainability) of complex systems based on the integration
between semi Markov processes (SMP) and Bayesian Networks (BN) is proposed. Basically,
a SMP can be understood as a stochastic process whose the transition probabilities depend on
the elapsed time since a system reached determined characteristics.
Bayesian Networks are probabilistic structures that represent relations of cause and effect
between determined variables of interest qualitatively and quantitatively. The integration
between SMPs and BNs generates a hybrid stochastic model which is able to represent the
dynamic characteristics of a system as well as dealing how the cause and effect relations
between factors unnecessarily time influences such evolution.
To develop such hybrid model, it becomes necessary the development of computational
and numerical formulation of the equations of transition probabilities of the SMPs which are
integral equations of the convolution type. The numerical method of resolution of these ones
will be based on the application of Laplace transforms which will be inverted using the
method of Gaussian Quadrature known as Gauss Legendre.
Applications of the considered hybrid model will be carried through to fault tolerant
systems in order to assess the behavior over time of the Reliability Performance Indicators.
Keywords: Production Engineering, Reliability, semi Markov Processes, Laplace Transforms, Bayesian Networks, Performance Indicators, Fault Tolerant Systems.
vi
LISTA DE FIGURAS
FIGURA 2-1 – FUNÇÃO DE CONFIABILIDADE ............................................................................................................ 9 FIGURA 2-2 – FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA........................................................................................... 9 FIGURA 2-3 – FUNÇÃO DENSIDADE DE PROBABILIDADE ........................................................................................ 10 FIGURA 3-1 – DIAGRAMA DE TRANSIÇÕES PARA O EXEMPLO DA EMPRESA DE MANUFATURA DE LÂMINAS DE
BARBEAR ...................................................................................................................................................... 21 FIGURA 3-2 – PROBABILIDADES DE TRANSIÇÃO INTERVALARES PARA ANÁLISE DO GRAU DE FIDELIDADE...... 29 FIGURA 3-3 – EXEMPLO DE REDE BAYESIANA ....................................................................................................... 41 FIGURA 3-4 – INDEPENDÊNCIA CONDICIONAL: (A) – SÉRIE; (B) – CAUSA COMUM; (C) – EFEITO COMUM................. 42 FIGURA 4-1 – PROBABILIDADE ( )11 tφ DE TRANSIÇÃO INTERVALAR..................................................................... 51
FIGURA 4-2 – PROBABILIDADE ( )22 tφ DE TRANSIÇÃO INTERVALAR .................................................................... 52 FIGURA 4-3 – DIAGRAMA DE ESTADOS DO PSMH COM TAXAS CONSTANTES ......................................................... 53 FIGURA 4-4 – COMPARAÇÃO ENTRE OS RESULTADOS FORNECIDOS PARA P1(T)...................................................... 53 FIGURA 4-5 – COMPARAÇÃO ENTRE OS RESULTADOS FORNECIDOS PARA P2(T)...................................................... 54 FIGURA 4-6 – PSMH COM TEMPO DE PERMANÊNCIA NO ESTADO 1 SEGUINDO UMA LOGNORMAL ......................... 54 FIGURA 4-7 – P0(T) PARA O EXEMPLO 3.................................................................................................................. 55 FIGURA 4-8 – I(T) PARA O EXEMPLO 3 .................................................................................................................... 55 FIGURA 4-9 – PSMNH COM TEMPO DE PERMANÊNCIA NO ESTADO 2 SEGUINDO UMA LOGNORMAL....................... 58 FIGURA 4-10 – I(T) PARA O EXEMPLO 4 .................................................................................................................. 59 FIGURA 5-1 – FLUXOGRAMA DESCREVENDO O ALGORITMO DE INTEGRAÇÃO ENTRE PROCESSOS SEMI
MARKOVIANOS E REDES BAYESIANAS ......................................................................................................... 63 FIGURA 5-2 – MODELO HÍBRIDO: PROCESSO SEMI MARKOVIANO HOMOGÊNEO E REDES BAYESIANAS PARA O
SISTEMA DE RESFRIAMENTO DO FRIGORÍFICO ............................................................................................... 65 FIGURA 5-3 – DISPONIBILIDADE OPERACIONAL PARA O SISTEMA DE RESFRIAMENTO ............................................ 69 FIGURA 5-4 – CONFIABILIDADE PARA O SISTEMA DE RESFRIAMENTO..................................................................... 70 FIGURA 5-5 – MANUTENIBILIDADE PARA O SISTEMA DE RESFRIAMENTO ............................................................... 71 FIGURA 5-6 – REPRESENTAÇÃO DOS ESTADOS DO PSMNH PARA A REDE DE AQUECIMENTO ................................. 73 FIGURA 5-7 – VARIAÇÃO DO VALOR MÉDIO ( )E T t DO TDT EM FUNÇÃO DO TEMPO DE PROCESSO ............... 74
FIGURA 5-8 – REDE BAYESIANA DINÂMICA PARA OS PARÂMETROS iλ E iµ , COM 1,2,3i = ............................. 75 FIGURA 5-9 - INDISPONIBILIDADE OPERACIONAL OCASIONADA SE O TDT EXCEDER .............................................. 76 FIGURA 5-10 – CONFIABILIDADE ASSUMINDO QUE A PRIMEIRA FALHA DO SISTEMA OCORRE SE O TDT EXCEDER . 77 FIGURA 5-11 – MANUTENIBILIDADE PARA O SISTEMA DE AQUECIMENTO .............................................................. 78 FIGURA 5-12 - DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE A PRIORI E A POSTERIORI DO PARÂMETRO iλ , COM I =
1, 2 ............................................................................................................................................................... 79 FIGURA 5-13 - DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE A PRIORI E A POSTERIORI DO PARÂMETRO 3λ ........ 80 FIGURA 5-14 – INDISPONIBILIDADE A PRIORI E A POSTERIORI ................................................................................ 81 FIGURA 5-15 – CONFIABILIDADE A PRIORI E A POSTERIORI .................................................................................... 81 FIGURA 5-16 – MANUTENIBILIDADE A PRIORI E A POSTERIORI ............................................................................... 82
vii
LISTA DE TABELAS
TABELA 3-1 – MÉDIAS E VARIÂNCIAS DOS TEMPOS DE USO DE CADA PRODUTO EM SEMANAS ............................... 22 TABELA 3-2 – FUNÇÕES DENSIDADE, FUNÇÕES DE DISTRIBUIÇÃO ACUMULADA E RESPECTIVOS COMPLEMENTARES
DO TEMPO DE ESPERA PARA O EXEMPLO ....................................................................................................... 23 TABELA 3-3 – VALORES DA PROBABILIDADE CONJUNTA PARA A RB DA FIGURA 3-3............................................. 44 TABELA 5-1– TPC PARA A VARIÁVEL X ................................................................................................................. 66 TABELA 5-2 – TPC PARA A VARIÁVEL Y ................................................................................................................ 66 TABELA 5-3 – TPC PARA A VARIÁVEL λ ............................................................................................................... 66 TABELA 5-4 – TPC DA VARIÁVEL W ...................................................................................................................... 67 TABELA 5-5 – TPC DA VARIÁVEL Z ....................................................................................................................... 67 TABELA 5-6 – TPC DA VARIÁVEL µ ..................................................................................................................... 67
TABELA 5-7 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL λ EM 1h− ....................................... 68
TABELA 5-8 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL µ EM 1h− ....................................... 68
TABELA 5-9 – FASES DO PERÍODO DE AQUECIMENTO ............................................................................................. 71 TABELA 5-10 – LISTA DE ESTADOS DO SISTEMA DE AQUECIMENTO........................................................................ 72 TABELA 5-11 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE A PRIORI E A POSTERIORI DO PARÂMETRO iλ , COM I
= 1, 2 ............................................................................................................................................................ 78 TABELA 5-12 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE A PRIORI E A POSTERIORI DO PARÂMETRO 3λ ....... 79 TABELA A. 1 – TRANSFORMADAS DE LAPLACE...................................................................................................... 96
TABELA B. 1 - RESULTADOS DE ( )11 tφ ................................................................................................................. 98
TABELA B. 2 – RESULTADOS DE ( )22 tφ ................................................................................................................ 99 TABELA C. 1 – RESULTADOS PARA P1(T)................................................................................................................ 99 TABELA C. 2 – RESULTADOS PARA P2(T).............................................................................................................. 100 TABELA D. 1– RESULTADOS PARA P0(T) .............................................................................................................. 100 TABELA D. 2 - RESULTADOS PARA I(T) ................................................................................................................ 100 TABELA E. 1 – RESULTADOS PARA D(T)............................................................................................................... 101 TABELA E. 2 – RESULTADOS PARA I(T) ................................................................................................................ 101 TABELA F. 1 – DISPONIBILIDADE OPERACIONAL PARA O EXEMPLO DE APLICAÇÃO 1........................................... 102 TABELA F. 2 – CONFIABILIDADE PARA O EXEMPLO DE APLICAÇÃO 1 ................................................................... 102 TABELA F. 3 – MANUTENIBILIDADE PARA O EXEMPLO DE APLICAÇÃO 1 .............................................................. 102 TABELA G. 1 – TPC PARA A VARIÁVEL X ............................................................................................................. 103 TABELA G. 2 – TPC PARA A VARIÁVEL Y ............................................................................................................. 103 TABELA G. 3 – TPC PARA A VARIÁVEL iλ , COM I = 1,2....................................................................................... 103 TABELA G. 4 – TPC DA VARIÁVEL W ................................................................................................................... 103 TABELA G. 5 – TPC DA VARIÁVEL Z .................................................................................................................... 103 TABELA G. 6 – TPC DA VARIÁVEL iµ , COM I = 1,2 ............................................................................................. 104 TABELA G. 7 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL iλ , COM I = 1, 2 ............................ 104 TABELA G. 8 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL iµ , COM I = 1,2 ............................ 104 TABELA H. 1 – TPC PARA A VARIÁVEL X ............................................................................................................. 104 TABELA H. 2 – TPC PARA A VARIÁVEL Y ............................................................................................................. 104 TABELA H. 3 – TPC PARA A VARIÁVEL 3λ .......................................................................................................... 104
viii
TABELA H. 4 – TPC DA VARIÁVEL W ................................................................................................................... 105 TABELA H. 5 – TPC DA VARIÁVEL Z .................................................................................................................... 105 TABELA H. 6 – TPC DA VARIÁVEL 3µ ................................................................................................................. 105 TABELA H. 7 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL 3λ ................................................ 105 TABELA H. 8 – DISTRIBUIÇÃO MARGINAL DE PROBABILIDADE DA VARIÁVEL 3µ ................................................ 105
TABELA I. 1 – INDISPONIBILIDADE OPERACIONAL PARA O EXEMPLO DE APLICAÇÃO 2......................................... 105 TABELA I. 2 – CONFIABILIDADE PARA O EXEMPLO DE APLICAÇÃO 2 .................................................................... 107 TABELA I. 3 – MANUTENIBILIDADE PARA O EXEMPLO DE APLICAÇÃO 2............................................................... 108
TABELA J. 1 – INDISPONIBILIDADE OPERACIONAL A PRIORI E A POSTERIORI PARA O EXEMPLO DE APLICAÇÃO 2 . 109 TABELA J. 2 – CONFIABILIDADE A PRIORI E A POSTERIORI PARA O EXEMPLO DE APLICAÇÃO 2............................. 110 TABELA J. 3 – MANUTENIBILIDADE A PRIORI E A POSTERIORI PARA O EXEMPLO DE APLICAÇÃO 2 ....................... 111
ix
LISTA DE ACRÔNIMOS
ACH – Análise de Confiabilidade Humana
CDF – Cumulative Distribution Function (Função de Distribuição Acumulada)
DAG - Directed Aciclic Graph (Grafo Acíclico Direcionado)
DBN – Dynamic Bayesian Networks (Redes Bayesianas Dinâmicas)
EMV - Estimador de máxima verossimilhança
ESD – Event Sequence Diagram (Diagrama de Sequência de Eventos)
FTA – Fault Tree Analysis (Árvore de Falhas)
MDT – Mean Down Time (Tempo Médio Fora de Serviço)
MTBF – Mean Time Between Failures (Tempo Médio entre Falhas)
MTTF – Mean Time To Failure (Tempo Médio para Falha)
MTTR – Mean Time To Repair (Tempo Médio para Reparo)
PDF – Probability Density Function (Função Densidade de Probabilidade)
PHP - Processo Homogêneo de Poisson
PM - Processo Markoviano
PMH – Processo Markoviano Homogêneo
PMNH – Processo Markoviano Não Homogêneo
PNHP - Processo Não Homogêneo de Poisson
PR - Processo de Renovação
PRG - Processo de Renovação Generalizado
PSM - Processo semi Markoviano
PSMH – Processo semi Markoviano Homogêneo
PSMNH – Processo semi Markoviano Não Homogêneo
RB - Rede Bayesiana
ROCOF – Rate of Ocurrence Failure (Taxa de Ocorrência de Falhas)
TDT – Tolerable DownTime (Tempo fora de serviço tolerável)
TL - Transformada de Laplace
TPC – Tabela de Probabilidades Condicionais
x
SUMÁRIO
1. INTRODUÇÃO............................................................................................................................................ 1
1.1 CONSIDERAÇÕES GERAIS....................................................................................................................... 1 1.2 CONTRIBUIÇÕES E JUSTIFICATIVAS ....................................................................................................... 2 1.3 OBJETIVOS ............................................................................................................................................ 7
1.3.1 Objetivo Geral ................................................................................................................................. 7 1.3.2 Objetivos Específicos....................................................................................................................... 7
1.3 ESTRUTURA DA DISSERTAÇÃO .............................................................................................................. 7
2. CONCEITOS FUNDAMENTAIS PARA A ANÁLISE DE CONFIABILIDADE................................. 8
2.1. VARIÁVEL ALEATÓRIA ......................................................................................................................... 8 2.2. A FUNÇÃO DE CONFIABILIDADE............................................................................................................ 8 2.3. FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA (CDF) ................................................................................... 9 2.4. FUNÇÃO DENSIDADE DE PROBABILIDADE (PDF) .................................................................................. 9 2.5. TAXA DE FALHA.................................................................................................................................. 10 2.6. FUNÇÃO INTENSIDADE DE FALHA (ROCOF) ....................................................................................... 10 2.7. SISTEMAS NÃO REPARÁVEIS X REPARÁVEIS......................................................................................... 11 2.8. ESTADO DO SISTEMA ........................................................................................................................... 11 2.9. TRANSIÇÃO ENTRE ESTADOS ............................................................................................................... 11 2.10. TEMPO DE PERMANÊNCIA, LOCAL OU DE RESIDÊNCIA ......................................................................... 11 2.11. TEMPO DE ESPERA............................................................................................................................... 12 2.12. TEMPO DE PROCESSO, GLOBAL OU DE CALENDÁRIO ............................................................................ 12 2.13. PROCESSOS ESTOCÁSTICOS ................................................................................................................. 12 2.14. DISPONIBILIDADE OPERACIONAL ........................................................................................................ 12 2.15. MANUTENIBILIDADE ........................................................................................................................... 13
3. BASE CONCEITUAL ............................................................................................................................... 14
3.1. PROCESSOS MARKOVIANOS ................................................................................................................ 14 3.1.1. Propriedade Markoviana............................................................................................................... 14 3.1.2. Equações de Chapman – Kolmogorov........................................................................................... 14 3.1.3. PM Homogêneo ............................................................................................................................. 15 3.1.4. PM Não Homogêneo ..................................................................................................................... 16
3.2. PROCESSOS SEMI MARKOVIANOS........................................................................................................ 16 3.2.1. Conceitos ....................................................................................................................................... 16 3.2.2. Aplicações em Confiabilidade ....................................................................................................... 17 3.2.3. Terminologia ................................................................................................................................. 19
3.3. PROCESSOS SEMI MARKOVIANOS HOMOGÊNEOS ................................................................................ 20 3.3.1. Conceitos Básicos e Exemplo ........................................................................................................ 20 3.3.2. Probabilidades de Transição Intervalares .................................................................................... 24 3.3.3. PSMHs definidos a partir de taxas de transição ........................................................................... 30
3.4. PROCESSOS SEMI MARKOVIANOS NÃO HOMOGÊNEOS ........................................................................ 32 3.4.1. Introdução e Conceitos.................................................................................................................. 32 3.4.2. PSMNHs definidos a partir de taxas de transição......................................................................... 35
3.5. REDES BAYESIANAS............................................................................................................................ 38 3.5.1. Introdução e aplicações em Confiabilidade .................................................................................. 38 3.5.2. Estrutura........................................................................................................................................ 39 3.5.3. Independência Condicional ........................................................................................................... 42 3.5.4. Cálculo das Probabilidades .......................................................................................................... 43 3.5.5. Atualização do conhecimento via RBs........................................................................................... 45
4. MODELO NUMÉRICO PROPOSTO DE RESOLUÇÃO DAS EQUAÇÕES DO PSM.................... 46
4.1. SOLUÇÃO MONTE CARLO ................................................................................................................... 46 4.2. MÉTODO NUMÉRICO PROPOSTO PARA PSMHS DEFINIDOS A PARTIR DE TAXAS DE TRANSIÇÃO ........... 47
4.2.1. Descrição do método numérico ..................................................................................................... 47
xi
4.2.2. Exemplo 1 ...................................................................................................................................... 51 4.2.3. Exemplo 2 ...................................................................................................................................... 52 4.2.4. Exemplo 3 ...................................................................................................................................... 54
4.3. MÉTODO NUMÉRICO PROPOSTO PARA PSMNHS DEFINIDOS A PARTIR DE TAXAS DE TRANSIÇÃO ........ 56 4.3.1. Exemplo 4 ...................................................................................................................................... 58
5. MODELO HÍBRIDO PROPOSTO.......................................................................................................... 61
5.1. INTEGRAÇÃO: SEMI MARKOV X REDES BAYESIANAS ......................................................................... 61 5.2. SISTEMAS TOLERANTES À FALHA ........................................................................................................ 63 5.3. EXEMPLO 1: SISTEMA DE RESFRIAMENTO ........................................................................................... 64
5.3.1. Descrição do problema ................................................................................................................. 64 5.3.2. Dados para o exemplo................................................................................................................... 66 5.3.3. Análise de Resultados.................................................................................................................... 68 5.3.3.1. Distribuições marginais............................................................................................................ 68 5.3.3.2. Disponibilidade Operacional.................................................................................................... 69 5.3.3.3. Confiabilidade .......................................................................................................................... 69 5.3.3.4. Manutenibilidade...................................................................................................................... 70
5.4. EXEMPLO 2: SISTEMA DE AQUECIMENTO ............................................................................................ 71 5.4.1. Descrição do problema ................................................................................................................. 71 5.4.2. Dados para o exemplo................................................................................................................... 73 5.4.3. Análise de resultados..................................................................................................................... 75 5.4.3.1. Indisponibilidade ...................................................................................................................... 76 5.4.3.2. Confiabilidade .......................................................................................................................... 76 5.4.3.3. Manutenibilidade...................................................................................................................... 77 5.4.4. Atualização de crenças probabilísticas ......................................................................................... 78 5.4.4.1. Distribuições marginais............................................................................................................ 78 5.4.4.2. Indisponibilidade a posteriori................................................................................................... 80 5.4.4.3. Confiabilidade a posteriori....................................................................................................... 81 5.4.4.4. Manutenibilidade a posteriori .................................................................................................. 82
6. CONCLUSÕES.......................................................................................................................................... 83
6.1. CONSIDERAÇÕES FINAIS ....................................................................................................................... 83 6.2. LIMITAÇÕES E DESAFIOS FUTUROS ....................................................................................................... 84
6.2.1. Processos semi Markovianos......................................................................................................... 84 6.2.2. Redes Bayesianas .......................................................................................................................... 85 6.2.3. Modelo Híbrido: PSMs e RBs........................................................................................................ 86
REFERÊNCIAS BIBLIOGRÁFICAS............................................................................................................... 87
ANEXOS .............................................................................................................................................................. 93
ANEXO A – EQUAÇÕES DIFERENCIAIS DE CHAPMAN-KOLMOGOROV ................................................................. 93 ANEXO B – CÁLCULO DA MATRIZ INVERSA ATRAVÉS DE DETERMINANTES ...................................................... 94
APÊNDICES........................................................................................................................................................ 96
APÊNDICE A - TRANSFORMADAS DE LAPLACE................................................................................................ 96 APÊNDICE B – RESULTADOS EXEMPLO 1........................................................................................................ 98 APÊNDICE C – RESULTADOS EXEMPLO 2........................................................................................................ 99 APÊNDICE D – RESULTADOS EXEMPLO 3 ..................................................................................................... 100 APÊNDICE E – RESULTADOS EXEMPLO 4...................................................................................................... 101 APÊNDICE F – INDICADORES DE CONFIABILIDADE PARA O EXEMPLO DE APLICAÇÃO 1 ............................... 102 APÊNDICE G – TPCS DAS FASES 1 E 2 DO EXEMPLO DE APLICAÇÃO 2 .......................................................... 103 APÊNDICE H – TPCS DA FASE 3 DO EXEMPLO DE APLICAÇÃO 2 ................................................................... 104 APÊNDICE I – INDICADORES DE CONFIABILIDADE PARA O EXEMPLO DE APLICAÇÃO 2 ................................ 105 APÊNDICE J – INDICADORES DE CONFIABILIDADE A POSTERIORI PARA O EXEMPLO DE APLICAÇÃO 2.......... 109
1
1. INTRODUÇÃO
1.1 Considerações gerais
O presente trabalho insere-se no contexto da Engenharia de Confiabilidade a qual avalia a
probabilidade de um componente, sub-sistema ou sistema1 exercer sua função sob condições
operacionais específicas durante algum determinado período de tempo, Singpurwalla (2006).
Considere que um sistema seja constituído de equipamentos, pessoas e da interação entre
estes.
A aplicação de técnicas da Engenharia de Confiabilidade proporciona redução de custos,
otimização do processo produtivo, estabelecimento de intervalos mais acurados de
manutenção preventiva, redução do tempo de espera em operações de setup, níveis mais
baixos de estoques intermediários, aumento da vida útil de plantas produtivas, entre outras
vantagens.
O corrente trabalho tem seu foco em dois principais temas: processos semi Markovianos
(PSMs) e Redes Bayesianas (RBs). Basicamente, um PSM pode ser definido como um
modelo probabilístico no qual o comportamento futuro de um sistema depende de suas
condições atuais assim como do tempo desde o qual possui tais condições. Entenda por
condição ou estado de um sistema, as características relevantes (físicas, químicas, biológicas,
etc.) que o definem.
Aplicações de PSMs podem ser encontradas, por exemplo, na literatura financeira como
em D’amico et al. (2005), no qual o risco de concessão de crédito a empresas é modelado
através de PSMs. Janssen e Manca (2001a) aplicam PSMs no contexto atuário para avaliação
de modelos de recompensa de seguros de vida. Mathieu et al. (2005) utilizam PSMs na área
de saúde pública para modelar a evolução infecciosa de pacientes portadores do vírus HIV
(Human Infected Virus). Ainda dentro da área de saúde, Felli et al. (2007) utilizam PSMs para
modelar a evolução do quadro médico de pacientes em ensaios clínicos a fim de avaliar a
efetividade de novos medicamentos. Um outro tipo de PSM, denominado PSM Segmentado,
foi originalmente desenvolvido na área de reconhecimento de voz, mas tem aplicações em
áreas como segmentação de palavras e reconhecimento de tendências em séries temporais,
veja Ge (2002).
1 A distinção entre componente, sub-sistema ou sistema é realizada apenas por conveniência de modelagem.
2
Já as RBs, tratam-se de estruturas gráficas que capturam relações de causa e efeito assim
como a magnitude dessas relações entre determinadas variáveis aleatórias de interesse. São
Grafos Acíclicos Direcionados (DAGs), nos quais os nós representam variáveis (discretas ou
contínuas) e os arcos representam as conexões ou dependências diretas entre tais variáveis. As
conexões direcionadas são sempre conexões causais, ou seja, a direção dos arcos representa a
relação de causa e efeito entre as variáveis.
Aplicações de RBs podem ser encontradas, por exemplo, em Dawid et al. (2006) os quais
utilizam RBs na identificação de casos complexos de DNA quando há evidências de mutação
entre genes ou na ausência do pai. García et al. (2005) utilizam RBs com intuito de detectar os
fatores que determinam os diferentes estilos de aprendizagem de estudantes usuários de um
sistema educacional baseado na Internet. Kao et al. (2005) utilizam RBs Dinâmicas (DBNs)
como mecanismo descritivo de modelagem das relações de causa e efeito em uma cadeia de
suprimento. Neste último trabalho, a variável ‘cumprimento (aderência) do planejamento’
determina a dependência temporal entre RBs adjacentes. Lauría e Duchessi (2006)
demonstram como RBs podem ser utilizadas como parte integrante de um sistema de tomada
de decisão sobre o tipo de Tecnologia de Informação a ser implementado.
Na próxima seção, serão apresentadas as contribuições e justificativas do presente
trabalho.
1.2 Contribuições e Justificativas
A redução de lucros e de reputação devido à não operacionalidade é uma das maiores
preocupações das organizações atuais. Segundo Galvani (2003), por exemplo, a legislação
vigente dos órgãos reguladores determina que parte da receita de uma empresa de transmissão
elétrica é variável e dependente da disponibilidade de seus ativos e/ou instalações. Então,
quanto menores forem a freqüência de falhas e o período de indisponibilidade, maior será a
receita atribuída à empresa transmissora.
Um dos principais motivos da consecução do presente trabalho é a tentativa de
desenvolver um modelo de análise de Confiabilidade que represente de forma mais fidedigna
sistemas complexos passíveis de reparo (reparáveis), como por exemplo, as indústrias pesadas
dos ramos petrolífero, petroquímico ou de fornecimento de energia elétrica. Os métodos
probabilísticos mais comumente utilizados que almejam avaliar a Confiabilidade destes
sistemas estão embutidos de hipóteses simplificadoras, conservadoras ou não.
3
Dentre as hipóteses existentes, pode-se citar a utilização de funções intensidade de falha
constantes, i.e., supõe-se que o sistema em questão não sofre os efeitos de processos de
deterioração. Segundo esta hipótese, a distribuição do número de falhas em um intervalo de
tempo qualquer depende apenas do comprimento de tal intervalo e não da distância em
relação à origem dos tempos. Esse tipo de hipótese é apenas real durante curtos períodos de
tempo ou para alguns tipos de componentes eletrônicos, como lâmpadas e transistores. Os
sistemas que possuem tal característica podem ser tratados por um processo Homogêneo de
Poisson (PHP).
Outra hipótese simplificadora comumente utilizada é a de reparo perfeito, o que significa
que o sistema é retornado a uma condição de “tão bom quanto novo” após uma operação de
reparo. É uma suposição que pode ser utilizada para alguns sistemas não reparáveis, i.e.,
sistemas para os quais a operação de manutenção corresponde à completa substituição dos
mesmos. Tais sistemas podem ser modelados através do denominado Processo de Renovação
(PR), no qual os tempos entre falhas são variáveis aleatórias independentes e identicamente
distribuídas por uma distribuição arbitrária não necessariamente exponencial.
No extremo oposto ao reparo perfeito existe a hipótese de reparo mínimo, i.e., a ação de
reparo recupera o sistema falho a uma condição que o mesmo possuía imediatamente antes da
falha. O objetivo do reparo mínimo é apenas retornar o equipamento à operação, não melhorar
seu desempenho. Esta é uma hipótese que na maioria das vezes não acontece na prática, já que
a ação de reparo tem o intuito de melhorar o desempenho do sistema em relação ao que o
mesmo possuía antes de falhar. Uma ação de reparo mínimo pode ser modelada por um
Processo Não Homogêneo de Poisson (PNHP). Para maiores detalhes em PHP, PR ou PNHP
veja Ross (1997).
Na maioria das vezes, uma ação de reparo recupera um sistema falho a uma condição
intermediária entre um reparo perfeito e um reparo mínimo, o que é denominado reparo
imperfeito. De certa forma, o reparo imperfeito pode ser entendido como um tipo de reparo
geral que possui como extremos o reparo perfeito e o mínimo. Existe uma vasta literatura
sobre métodos de tratamento e aplicações de ações de reparo imperfeito: Chukova et al.
(2004), por exemplo, apresentam um método para modelar reparos imperfeitos na análise de
tempos de garantia; Yañez et al. (2002) apresentam o modelo probabilístico de tratamento de
reparo imperfeito conhecido como Processo de Renovação Generalizado (PRG); Moura e
Droguett (2006a) utilizam conceitos do PRG para avaliar o grau de eficácia de equipes de
manutenção de uma indústria de componentes automotivos; Doyen e Gaudoin (2004)
4
apresentam classes de modelos em reparo imperfeito baseados na redução que ações de reparo
proporcionam na idade virtual ou na intensidade de falha de dado sistema; Pham e Wang
(1996) apresentam uma vasta revisão da literatura que reúne cerca de quarenta métodos de
tratamento de reparo imperfeito.
Entretanto, tanto o PR quanto o PHP, PNHP, PRG e a maioria dos métodos descritos em
Pham e Wang (1996) são processos estocásticos pontuais, i.e., os tempos de reparo são
considerados desprezíveis e negligenciados na análise de Confiabilidade. Tal suposição não
faz sentido na maioria dos sistemas reparáveis nos quais tempos de reparo com unidades em
dias e/ou semanas não são raros.
A suposição da condição (propriedade) Markoviana de falta de memória, a qual define um
processo Markoviano, é outra hipótese bastante utilizada na análise de Confiabilidade de
sistemas. Através desta hipótese, o comportamento futuro está condicionado apenas no estado
presente desconsiderando o tempo de permanência em tal estado. Entretanto, tal hipótese em
alguns casos não é real como, por exemplo, em sistemas tolerantes à falha. Nestes tipos de
sistema, o comportamento futuro depende do seu estado presente assim como do tempo que
permanecem em tal estado, o que invalida a propriedade Markoviana. Além disso, quando
estes sistemas são formados por componentes sujeitos a processos de deterioração e/ou
exigem tempos elevados de reparo, as hipóteses de funções intensidade de falha constantes e
tempos de reparo desprezíveis também não são aplicáveis. Apesar de em alguns casos estes
modelos probabilísticos (PHP, PR, PNHP, PRG, Processos Markovianos) serem uma boa
aproximação da porção da realidade de interesse, em outros como, por exemplo, para sistemas
complexos tolerantes à falha, não se adequam tão bem.
Um dos principais motivos da utilização das hipóteses anteriormente citadas é a
simplificação dos modelos matemáticos e consequentemente numéricos. Modelos
probabilísticos que tentam representar sistemas complexos de forma mais realística são
intratáveis analiticamente ou produzem soluções numéricas de alto custo computacional.
Mesmo assim, alguns trabalhos que tentam eliminar ou pelo menos reduzir o impacto
destas suposições já foram desenvolvidos e merecem ser citados, como por exemplo, Platis et
al. (1998) os quais modelam o processo de deterioração de uma subestação elétrica através de
processos Markovianos Não Homogêneos. Basicamente, neste tipo de processo Markoviano,
o qual será descrito na subseção 3.1.4, o comportamento futuro de um sistema depende do
estado presente e do intervalo de tempo decorrido desde o início da observação do mesmo, o
qual é conhecido como tempo de processo.
5
Outro trabalho que merece ser citado foi desenvolvido por Limnios e Oprisan (2001) os
quais utilizam processos semi Markovianos na análise de Confiabilidade de sistemas. Os
PSMs são uma generalização dos processos Markovianos e por isso fornecem uma maior
flexibilidade no que diz respeito à modelagem de sistemas dinâmicos complexos.
Basicamente, um PSM é utilizado para modelar sistemas para os quais o comportamento
futuro depende do estado presente e do tempo que permanecem neste, o qual é conhecido
como tempo de permanência, local ou de residência.
Tanto em Platis et al. (1998) quanto em Limnios e Oprisan (2001), o comportamento
futuro de determinado sistema é influenciado (condicionado) apenas por variáveis temporais,
ora o tempo de processo ora o tempo de permanência. Entretanto, em alguns sistemas outras
variáveis não necessariamente temporais podem influenciar seu estado, como por exemplo, as
condições ambientais (temperatura, umidade, pressão, etc.), operacionais, fisiológicas e/ou
psicológicas.
Para estes sistemas, torna-se imperativo o desenvolvimento de um modelo probabilístico
que seja capaz de tratar como estas outras variáveis além do tempo influenciam seu
comportamento. Devido a isto, a tentativa de superar as limitações impostas pelos modelos
probabilísticos anteriormente citados será realizada aqui através da integração entre os
processos semi Markovianos e as Redes Bayesianas.
Como será mostrado mais adiante, os PSMs não são mais estritamente Markovianos, i.e., a
propriedade Markoviana não é exigida em todos os instantes de tempo. Porém, por possuírem
características comuns suficientes a estes processos, os PSMs recebem tal denominação. Já as
redes Bayesianas são estruturas probabilísticas capazes de detectar e tratar qualitativa e
quantitativamente como fatores não necessariamente temporais (sejam estes físicos,
comportamentais, etc.) interagem entre si e condicionam o comportamento futuro de um
sistema. Além disso, por serem Bayesianas por natureza, as RBs permitem que atualizações
do conhecimento sobre o comportamento do sistema sejam realizadas à medida que novas
informações sobre os fatores condicionantes tornem-se disponíveis.
O hibridismo entre processos Markovianos e Redes Bayesianas já foi tratado em Moura e
Droguett (2006b) e em Barros Jr. (2006). Em Moura e Droguett (2006b), as equações de
estado dos processos Markovianos são resolvidas numericamente através do método de
diferenças finitas. Neste último trabalho, as taxas de transição entre estados seguem
distribuições paramétricas cujos parâmetros são efeito de fatores não necessariamente
temporais os quais são modelados por RBs. Já em Barros Jr. (2006), é proposta uma solução
6
baseada em simulação Monte Carlo, a qual apesar de possuir tempo de simulação mais
elevado, livra o modelo da hipótese de adequação a uma família de distribuições paramétricas.
Todavia, existe uma lacuna na literatura de trabalhos que tratem o hibridismo entre PSMs
e RBs. Portanto, o modelo que será desenvolvido aqui é destinado a sistemas dinâmicos nos
quais o comportamento futuro é determinado pelo estado presente assim como pelo tempo de
permanência neste estado. Além disso, através da utilização de um tipo de PSM denominado
Não Homogêneo será possível também que tais sistemas sejam constituídos por componentes
sujeitos a processos de deterioração.
Desta maneira, no modelo proposto será possível assumir que os tempos de permanência
em determinado estado sigam funções densidade de probabilidade paramétricas, como por
exemplo, Exponencial ou Lognormal. A influência de outros fatores não necessariamente
temporais sobre o comportamento do sistema será modelada a partir da estrutura de causa e
efeito conhecida como Redes Bayesianas, dando origem a um modelo estocástico híbrido o
qual será capaz de representar a incerteza associada à dinamicidade de um sistema ao mesmo
tempo em que trata como as relações de causa e efeito existentes influenciam tal evolução.
A implementação numérica computacional é de tão igual importância quanto o
desenvolvimento de tal modelo híbrido já que este é intratável analiticamente. Para alcançar
tal objetivo, os PSMs tratados aqui serão definidos a partir de taxas de transição já que estes
são mais passíveis de aplicação a problemas que se inserem no contexto da Engenharia de
Confiabilidade do que os PSMs definidos por probabilidades de transição. Torna-se
imperativo então propor e desenvolver a formulação numérica computacional das equações de
probabilidades de transição destes PSMs as quais são equações integrais do tipo convolução.
O método numérico de resolução destas equações será baseado na aplicação de transformadas
de Laplace as quais serão invertidas utilizando o método de Quadratura Gaussiana conhecido
como Gauss Legendre.
Possíveis exemplos de aplicação a sistemas tolerantes à falha serão apresentados ao final
deste trabalho a fim de verificar a efetividade de tal modelo híbrido na avaliação de
indicadores de desempenho de Confiabilidade deste tipo de sistema dinâmico complexo.
Na próxima seção, serão apresentados os objetivos do presente trabalho.
7
1.3 Objetivos
1.3.1 Objetivo Geral
Desenvolver uma metodologia de avaliação de indicadores de desempenho de
Confiabilidade de sistemas reparáveis complexos via hibridismo entre processos semi
Markovianos e Redes Bayesianas.
1.3.2 Objetivos Específicos
Revisão bibliográfica das técnicas de avaliação de Confiabilidade de sistemas reparáveis;
Revisão bibliográfica e aplicações em Confiabilidade da estrutura de causa e efeito,
denominada Redes Bayesianas;
Desenvolvimento do método numérico de solução das equações de probabilidade de
transição dos processos semi Markovianos definidos a partir de taxas de transição o qual
será baseado na aplicação de transformadas de Laplace;
Integração propriamente dita entre processos semi Markovianos e Redes Bayesianas;
Implementação numérica do modelo híbrido proposto, em linguagem C++;
Desenvolvimento dos exemplos de aplicação a sistemas tolerantes à falha.
1.3 Estrutura da dissertação
O presente trabalho de dissertação está organizado da seguinte maneira: no capítulo 2 são
apresentados os conceitos fundamentais para análise de Confiabilidade. No capítulo 3, é
apresentada a base conceitual a qual apresenta desenvolvimentos teóricos e aplicações
presentes na literatura dos assuntos relevantes a tal trabalho, quais sejam: processos
Markovianos, processos semi Markovianos e Redes Bayesianas. No capítulo 4, é proposto e
desenvolvido o método numérico de resolução das equações das probabilidades de transição
dos processos semi Markovianos definidos a partir de taxas de transição. No capítulo 5, é
proposto o modelo baseado na integração entre processos semi Markovianos e Redes
Bayesianas. Em tal capítulo, são também apresentados exemplos de aplicação do modelo
híbrido proposto a sistemas tolerantes à falha. No capítulo 6, são apresentadas as conclusões e
considerações finais assim como os desafios e propostas de futuros trabalhos.
8
2. CONCEITOS FUNDAMENTAIS PARA A ANÁLISE DE CONFIABILIDADE
O objetivo do presente capítulo é sedimentar conceitos básicos que serão utilizados ao
longo do trabalho.
2.1. Variável Aleatória
Segundo Degroot e Schervish (2002), uma variável aleatória pode ser definida como uma
função de valor real que é definida em um espaço amostral A . Em outras palavras, uma
variável aleatória X seria qualquer função que designa um número real ( )X a a cada
possível resultado a A∈ .
2.2. A função de Confiabilidade
A função de Confiabilidade ( )R t é definida como a probabilidade que um sistema irá
realizar determinada função durante algum período de tempo t sob condições operacionais
específicas. Sendo T a variável aleatória contínua que expressa o tempo de falha do sistema,
0T ≥ , a função de Confiabilidade ( )R t , pode ser expressa como:
( ) , 0,R t P T t t= ≥ ≥ Equação 2-1
onde t é o instante correspondente ao final do período de observação do sistema. Em outras
palavras, a função ( )R t pode ser interpretada como a probabilidade do sistema falhar pela
primeira vez em ou após o instante t .
A função ( ) 0R t ≥ é monotônica decrescente (não crescente) 0t∀ ≥ e satisfaz as seguintes
condições dadas na Equação 2-2 e Equação 2-3 as quais podem ser visualizadas na Figura 2-1:
(0) 1R = Equação 2-2
lim ( ) 0.t
R t→∞
= Equação 2-3
R(t)
t
1
9
Figura 2-1 – Função de Confiabilidade
2.3. Função de distribuição acumulada (CDF)
A função ( )F t de distribuição acumulada (CDF) é definida como a probabilidade que um
sistema irá falhar em algum instante de tempo inferior a t . A CDF corresponde ao
complementar da função de Confiabilidade, como na Equação 2-4.
( )( ) 1 1F t P T t P T t R t= < = − ≥ = − Equação 2-4
A função ( )F t é monotônica crescente (não decrescente) 0t∀ ≥ e satisfaz as condições
dadas na Equação 2-5 e Equação 2-6, as quais podem ser visualizadas na Figura 2-2:
(0) 0F = Equação 2-5
lim ( ) 1.t
F t→∞
= Equação 2-6
F(t)
t
1
Figura 2-2 – Função de Distribuição Acumulada
2.4. Função Densidade de Probabilidade (PDF)
A função ( )f t densidade de probabilidade (PDF) é definida como segue na Equação 2-7:
( ) ( )( ) .
dF t dR tf t
dt dt= = − Equação 2-7
A PDF descreve a forma da função da distribuição do tempo de falha e possui as
propriedades dadas na Equação 2-8 e Equação 2-9:
(0) 0f ≥ Equação 2-8
0
( ) 1.f t dt∞
=∫ Equação 2-9
Resolvendo a equação diferencial separada dada na Equação 2-7 para ( )F t e ( )R t ,
respectivamente, as mesmas podem ser obtidas a partir da PDF como dado na Equação 2-10 e
Equação 2-11 e mostrado na Figura 2-3:
10
0
( ) ( )t
F t f dτ τ= ∫ Equação 2-10
( ) ( ) .t
R t f dτ τ∞
= ∫ Equação 2-11
Figura 2-3 – Função Densidade de Probabilidade
2.5. Taxa de Falha
A função taxa de falha ou força de Mortalidade Instantânea ( )m t pode ser definida como a
probabilidade de falha por unidade de tempo dado que o componente já tenha operado até o
instante t . Em outras palavras, a taxa de falha é a probabilidade condicional de falha por
unidade de tempo (instantânea) e é dada pela Equação 2-12:
( )( ) .
( )
f tm t
R t= Equação 2-12
A função de Confiabilidade ( )R t pode ser obtida a partir da função da taxa de falha
através da relação expressa na Equação 2-13:
0
( ) exp ( ) .t
R t m dτ τ
= − ∫ Equação 2-13
2.6. Função Intensidade de falha (ROCOF)
Considerando que ( ( ))E N t seja o valor esperado do número de falhas de um sistema no
intervalo de tempo ( )0,t . Então, se ( ( ))E N t é diferenciável, a função intensidade de falha
( )ro t , também conhecida como taxa de ocorrência de falhas (ROCOF) é definida como na
Equação 2-14:
11
( ) ( ( )).d
ro t E N tdt
= Equação 2-14
2.7. Sistemas não reparáveis x reparáveis
Um sistema não reparável é aquele para o qual a manutenção corresponde a sua completa
substituição por outro idêntico e novo. Para efeitos de modelagem, caso o sistema não seja
substituído pode-se considerar que o mesmo é não reparável se for completamente renovado
após o reparo.
Já um sistema reparável é aquele para o qual a ação de reparo consiste de qualquer
procedimento que não seja a sua completa substituição ou renovação.
2.8. Estado do sistema
O estado de um sistema pode ser definido como a combinação de valores de determinadas
variáveis aleatórias de interesse. Por exemplo, em um processo químico, temperatura, volume
e pressão consistem de variáveis de interesse para análise do sistema. A combinação de
valores dessas variáveis determina um estado do sistema. O estado de um sistema é
denominado absorvente se uma vez alcançado, o processo não o deixa dentro do tempo de
missão considerado.
2.9. Transição entre estados
Em um processo químico, os valores da temperatura, volume e pressão estão
dinamicamente mudando. Tal mudança de valores das variáveis de interesse determina a
transição entre estados do sistema. No presente trabalho, será considerado que o conjunto X
de estados do sistema é finito.
2.10. Tempo de permanência, local ou de residência
O tempo de permanência, local ou de residência ijτ pode ser definido como o tempo em
que o sistema permanece em um estado i até que se desloque para um estado j quando este é
o estado sucessor. Os tempos de permanência ijτ são variáveis aleatórias reais não negativas
governadas por uma função densidade de probabilidade ( )ijh ⋅ .
Os tempos locais ou de permanência são sempre reiniciados quando o processo entra em
um determinado estado.
12
2.11. Tempo de espera
O tempo de espera iτ pode ser definido como o valor esperado do tempo de permanência
em um estado i independente de seu estado sucessor.
2.12. Tempo de processo, global ou de calendário
O tempo t de processo, global ou de calendário inicia-se no período da observação e
diferentemente dos tempos de permanência e de espera não é reiniciado cada vez que o
processo entra em determinado estado.
2.13. Processos Estocásticos
Um processo estocástico ( ) ,X t t T∈ é uma família de variáveis aleatórias indexada no
tempo (global e/ou permanência) que descreve o comportamento dinâmico de algum processo
(físico, químico, biológico, etc.). No contexto de Engenharia de Confiabilidade, t é
interpretado como o tempo e, como resultado, ( )X t representa o estado do processo no
instante t .
2.14. Disponibilidade Operacional
No contexto de Engenharia de Confiabilidade, os estados que um sistema pode ocupar
podem ser divididos em dois grandes grupos: conjunto D de estados disponíveis, nos quais o
sistema está operacional e conjunto I de estados indisponíveis nos quais o sistema não está
operacional, sendo D I X∪ = e D I∩ = ∅ . A disponibilidade operacional ( )A t de um sistema
pode ser definida como a probabilidade que em t o sistema esteja no estado i pertencente ao
conjunto D . A indisponibilidade corresponde ao complementar da disponibilidade.
A função de disponibilidade operacional ( )iA t pode ser então calculada através do
somatório das probabilidades do processo alcançar um dos estados j D∈ dado que o sistema
estava em 0t = no estado i como na Equação 2-15:
( ) ( ).i ijj D
A t P t∈
=∑ Equação 2-15
A função de Confiabilidade ( )R t de um sistema reparável que pode ocupar N estados
pode ser calculada supondo que os estados do conjunto I são absorventes. A Confiabilidade
( )iR t seria então calculada como a soma das probabilidades do sistema alcançar um estado
13
indisponível j dado que o mesmo estava em 0t = no estado disponível i como na Equação
2-16:
( ) ( ),mi ij
j I
R t P t∈
=∑ Equação 2-16
onde ( )mijP t é a probabilidade do sistema alcançar o estado indisponível j dado que o mesmo
estava no estado disponível i supondo que todos os estados indisponíveis são absorventes.
2.15. Manutenibilidade
Para um sistema reparável, a facilidade com o que o mesmo sofre manutenção e é
retornado à operação é medida através de sua manutenibilidade. Em outras palavras,
manutenibilidade ( )M t pode ser entendida como a probabilidade que um sistema falho seja
retornado à operação dentro de um período de tempo t considerando que a manutenção é
realizada de acordo com os procedimentos preestabelecidos.
A função manutenibilidade ( )M t pode ser calculada supondo que todos os estados do
conjunto D são absorventes. A manutenibilidade ( )iM t seria então calculada como a soma
das probabilidades do sistema alcançar um estado disponível j dado que o mesmo estava em
0t = no estado indisponível i como na Equação 2-17:
( ) ( ),mi ij
j D
M t P t∈
=∑ Equação 2-17
onde ( )mijP t é a probabilidade do sistema alcançar o estado disponível j dado que o mesmo
estava no estado indisponível i supondo que todos os estados disponíveis são absorventes.
A Manutenibilidade ( )M t , a Confiabilidade ( )R t e a (In)Disponibilidade operacional ( )A t
são os indicadores de desempenho de Confiabilidade que serão analisados no presente
trabalho.
14
3. BASE CONCEITUAL
O objetivo deste capítulo é apresentar a fundamentação teórica e algumas aplicações
presentes na literatura dos principais temas relacionados ao presente trabalho.
3.1. Processos Markovianos
3.1.1. Propriedade Markoviana
Os processos Markovianos (PMs) são um dos processos estocásticos mais importantes
para modelagem de sistemas dinâmicos. No contexto da Engenharia de Confiabilidade, são
utilizados basicamente quando modelos como árvore de falhas, árvore de eventos ou diagrama
de blocos são insuficientes para representar funcionalmente um sistema complexo.
Aqui será considerado o PM de espaço de estados finito 1, 2, , NΧ = … e tempo contínuo
0≥t , i.e., as transições de um determinado estado para outro podem ocorrer em qualquer
instante do tempo.
Um processo estocástico ( ), 0X t t ≥ é denominado processo Markoviano se o mesmo
satisfaz a propriedade de Markov:
( ( ) | ( ) , ( ) ( )) ( ( ) | ( ) )P X t j X i X u x u P X t j X iυ υ= = = = = = Equação 3-1
para todo possível ( ),0x u u υ≤ < , veja Ross (1997).
Segundo Howard (1971b), a Equação 3-1 também conhecida como “falta de memória”
significa que quando o presente sobre o processo é conhecido, o desenvolvimento futuro é
incondicional ao passado. Para os PMs, tal propriedade é verdadeira em todos os instantes de
tempo.
3.1.2. Equações de Chapman – Kolmogorov
Estruturalmente, um PM é composto por nós que representam os possíveis estados que o
processo pode ocupar, e setas as quais correspondem às transições entre estados.
Probabilisticamente, um PM no tempo é caracterizado a partir de um vetor de
probabilidades iniciais ( (0) ),P X k k X= ∈ e pelas probabilidades de transição entre estados:
( , ) ( ( ) | ( ) )ijp t P X t j X iυ υ= = = Equação 3-2
para 0 tυ≤ ≤ e , 1, ,i j N= … , onde N é o número de estados do PM.
15
As probabilidades de transição de um PM satisfazem a equação de Chapman-Kolmogorov,
a qual estabelece que Xji ∈∀∀ , :
1
( , ) ( , ) ( , )N
ij ik kjk
p t p u p u tυ υ=
= ⋅∑ Equação 3-3
para 0 u tυ≤ < < .
No caso de tempo discreto2, o cálculo das probabilidades de transição em um instante
qualquer m através da Equação 3-3 reduz-se à multiplicação entre as matrizes 0P das
probabilidades de transição iniciais e 1mP − das probabilidades de transição no instante 1m − .
Já no caso de tempo contínuo, as probabilidades de transição são obtidas a partir de um
sistema de equações diferenciais como demonstrado no ANEXO A e dado pela Equação 3-4:
1
( )( ) ( ) ( ) ( )
Nj
i ij j jjii j
dP tP t t P t t
dtλ λ
=≠
= ⋅ + ⋅∑ Equação 3-4
onde )(tijλ é uma função contínua e não negativa, conhecida como taxa de transição do
estado i para o estado j . No contexto de Engenharia de Confiabilidade, )(tijλ pode
representar taxas de falha ou reparo.
Existem diversas técnicas de resolução do sistema formado pelas N equações da forma da
Equação 3-4 para o caso contínuo. Entre as quais podem-se citar o método de Runge-Kutta de
4ª ou 5ª ordem ou a utilização de variáveis suplementares, veja Oliveira et al. (2005).
3.1.3. PM Homogêneo
A Equação 3-4 torna-se mais simples quando se trata do processo de Markov Homogêneo
(PMH). Nesse tipo de PM, as taxas de transição )(tijλ são constantes no tempo o que resulta
que a distribuição do tempo de permanência nos estados é exponencial com parâmetro
( )ij ijtλ λ= .
Em um PMH, o número esperado de falhas depende apenas do intervalo de tempo t∆
considerado e não do tempo desde que o sistema alcançou determinado estado nem do tempo
de processo. Diz-se, então, que o PMH possui incrementos estacionários e desta maneira não é
recomendado para modelagem de sistemas que estão sujeitos a processos de deterioração ou
de melhoria.
2 No caso discreto, o domínio do tempo corresponde ao conjunto dos números naturais não negativos.
16
3.1.4. PM Não Homogêneo
Já quando na Equação 3-4 as taxas de transição dependem do tempo de processo, o PM é
denominado Não Homogêneo (PMNH). Nesse caso, os incrementos não são mais
estacionários e as distribuições do tempo de permanência são condicionadas no tempo de
processo. Devido a isto, através da aplicação do PMNH o processo de desgaste de sistemas
pode ser melhor modelado.
Como aplicações de PMs em Confiabilidade pode-se citar, por exemplo, o trabalho de
Smotherman e Zemoudeh (1989) no qual PMNHs são utilizados para avaliar a Confiabilidade
de sistemas que possuem múltiplas fases operacionais cada uma da qual com duração
aleatória. Platis et al. (1998) aplicam PMNHs em tempo discreto para avaliar métricas de
Confiabilidade, além de outros indicadores de desempenho de uma subestação elétrica
francesa. Moura et al. (2005) utilizam PMs para avaliar a disponibilidade operacional de duas
malhas de completação inteligente de poços de petróleo, entre outras aplicações.
Nesta seção, foi apresentada uma visão geral sobre os processos Markovianos. A equação
de Chapman-Kolmogorov a qual calcula as probabilidades de estado de um PM foi
apresentada. A distinção entre processos Markovianos Homogêneos e Não Homogêneos
também foi realizada.
3.2. Processos semi Markovianos
3.2.1. Conceitos
Segundo Howard (1971a), pode-se entender um processo semi Markoviano (PSM) como
um modelo probabilístico no qual a ocupação sucessiva de estados é governada pelas
probabilidades de transição de um PM, mas para o qual o tempo de permanência em
determinado estado é descrito por uma variável aleatória real que depende do estado
correntemente ocupado e do estado para o qual a próxima transição será feita.
Em um PSM, a propriedade Markoviana é exigida somente nos instantes de transição
entre estados, sendo este o motivo de tal processo não ser mais estritamente Markoviano.
Assim, a distribuição da duração nos estados pode ser arbitrária, assumindo uma função
densidade de probabilidade que pode não ser exponencial.
Os PSMs são modelos bastante utilizados na modelagem de sistemas dinâmicos
complexos. Tais processos apresentam uma maior flexibilidade de modelagem do que os
sistemas Markovianos ao mesmo tempo em que generalizam resultados obtidos por estes.
17
Segundo Ouhbi e Limnios (2003), há casos nos quais a propriedade Markoviana não pode
ser aceita já que é necessário permitir que o tempo de permanência em determinado estado
seja exponencialmente distribuído. Esta é uma das razões devido a qual os PSMs são
recomendados.
3.2.2. Aplicações em Confiabilidade
No contexto de Engenharia de Confiabilidade, algumas aplicações e desenvolvimentos
teóricos em PSMs merecem ser citados: Perman et al. (1997) aplicam um procedimento
recursivo para aproximar as probabilidades de transição entre estados ao longo do tempo e a
disponibilidade média de um PSM. Fórmulas fechadas para tais métricas não são disponíveis
quando as distribuições do tempo de permanência em determinado estado são gerais
(arbitrárias). Tal procedimento recursivo é então utilizado para adequar os dados de falha de
uma planta de força (power plant) a um modelo semi Markoviano com distribuições
condicionais do tempo de permanência seguindo uma Weibull com parâmetros dependentes
apenas do estado presente.
Limnios (1997) argumenta que a principal vantagem de usar PSMs é permitir distribuições
não exponenciais para os tempos de permanência em determinado estado e assim generalizar
vários tipos de processos estocásticos, entre eles o processo Markoviano. Dado que na
realidade tempos de falha e reparo são na maioria das vezes não exponenciais, este tipo de
modelo é bastante importante. PSMs são uma larga família de processos estocásticos que
incluem como casos especiais processos Markovianos em tempo discreto e contínuo e os
processos de renovação alternado e modificado, por exemplo. Neste último trabalho, é
realizada uma análise de Dependabilidade (Disponibilidade; Confiabilidade;
Manutenibilidade; Tempos Médios) para sistemas semi Markovianos com espaço de estados
finito e em tempo discreto através de um método baseado em cálculos algébricos.
Ouhbi e Limnios (1997) estimam a Confiabilidade e disponibilidade de um rotor turbo-
gerador a partir dos dados de falha observados na Electricité De France utilizando PSMs.
Ouhbi e Limnios (2002) investigam e derivam uma formulação estatística para avaliar a
taxa de ocorrência de falhas (ROCOF) de processos semi Markovianos. Através deste
resultado, as ROCOFs de sistemas Markovianos e processos de renovação alternados são
também derivadas como casos especiais.
Grabski (2003) apresenta as propriedades da função de Confiabilidade de um componente
o qual é submetido a um processo de carga aleatória e que possui uma taxa de falha modelada
18
por um PSM. Neste trabalho, as noções básicas de um PSM são apresentadas utilizando um
processo de Renovação Markoviano. As funções de Confiabilidade foram obtidas através da
aplicação das transformadas de Laplace-Stieltjes às equações de renovação e utilizando o
sistema computacional MATHEMATICA para obter uma solução analítica da transformada
inversa.
Ouhbi e Limnios (2003) introduzem estimadores não paramétricos para Confiabilidade e
disponibilidade de sistemas semi Markovianos avaliando as propriedades assintóticas de tais
métricas. Um método para construir intervalos de confiança para tais estimadores é dado e um
exemplo de aplicação é realizado para um PSM de três estados.
Limnios e Oprisan (2003) apresentam uma visão geral do trabalho desenvolvido em
Limnios e Oprisan (2001) o qual demonstra resultados bastante importantes e aplicações de
PSMs em análises de Confiabilidade.
Pievatolo e Valadè (2003) avaliam a Confiabilidade de sistemas elétricos de operação
contínua. Em tal trabalho, é desenvolvido um modelo analítico o qual possibilita que as
distribuições dos tempos de falha e reparo sejam não exponenciais. PSMs são então utilizados
para calcular o tempo médio entre falhas (MTBF) e o tempo médio para recuperação (MTTR)
de um compensador de saída de voltagem.
El-Gohary (2004) apresenta estimadores de máxima verossimilhança (EMV) e Bayesianos
para os parâmetros de modelos de Confiabilidade semi Markovianos. Em geral, os EMVs não
têm forma fechada e são soluções de um sistema complexo de equações não lineares. Outro
método o qual pode permitir obter estimações dos parâmetros do PSM é o Bayesiano o qual é
bastante atrativo quando a experiência sobre dados de falha é limitada. Veja Martz e Waller
(1982) para conceitos básicos sobre inferência Bayesiana e Droguett e Mosleh (2006) para
uma aplicação desta metodologia na análise de Confiabilidade de produtos em
desenvolvimento.
Afchain (2004) propõe um método de estimação não paramétrica das distribuições dos
tempos de falha e reparo de um PSM assumindo que tais fenômenos possuem uma
competição mútua. Um exemplo de aplicação foi realizado a um sistema industrial composto
por três componentes e um operador de manutenção.
Limnios e Ouhbi (2005) apresentam estimadores não paramétricos de alguns importantes
indicadores em análise de Confiabilidade de sistemas semi Markovianos. Entre tais, estão o
19
tempo médio até a falha (MTTF) e o tempo médio fora de serviço (MDT). As propriedades
assintóticas de tais estimadores também são avaliadas.
Chen e Trivedi (2005) utilizam processos de decisão semi Markovianos para otimizar de
forma conjunta a taxa de inspeção e o intervalo entre manutenções preventivas. É assumido
neste trabalho que a manutenção é realizada não em intervalos de tempo pré-determinados,
mas sim de acordo com a condição de degradação do sistema.
Xie et al. (2005) analisam políticas de rejuvenescimento parcial e total de softwares
utilizando PSMs. Sem uma ação de rejuvenescimento proativa aplicada a sistemas de
software, a qualidade do serviço decrementa devido a motivos como, por exemplo, o espaço
restrito de memória livre, o que compromete a alta disponibilidade. Em tal trabalho, um
modelo semi Markoviano é construído com o intuito de maximizar a disponibilidade do
sistema. Solução analítica para disponibilidade é obtida como uma função bivariada dos níveis
de rejuvenescimento do software.
Soszynska (2006) utiliza PSMs para avaliar a Confiabilidade de um sistema k de n de
transporte de petróleo em condições operacionais variáveis. Neste trabalho, o PSM é
responsável por relacionar as condições operacionais do sistema com a sua função de
Confiabilidade.
Jenab e Dhillon (2006) utilizam PSMs para desenvolver um modelo analítico que avalie
não somente a Confiabilidade e a disponibilidade assim como a probabilidade, a média e o
desvio padrão do tempo em que um sistema k de n multi-estado reversível alcança
determinado estado. Neste trabalho, é apresentado um exemplo de aplicação no qual as
distribuições de probabilidade condicionais do tempo de permanência em determinado estado
são todas Normais.
3.2.3. Terminologia
Basicamente, existem dois tipos de processos semi Markovianos: Homogêneos (PSMH),
nos quais as probabilidades de transição entre estados dependem do tempo de permanência em
determinado estado; e Não Homogêneos (PSMNH), nos quais as probabilidades de transição
dependem tanto do tempo de permanência em determinado estado quanto do tempo de
processo, também conhecido como tempo de calendário, o qual é definido na seção 2.12.
O PSM de espaço de estados finito em tempo contínuo será descrito nas próximas seções,
as quais tratarão dos processos semi Markovianos Homogêneo e Não Homogêneo, nessa
20
ordem. Serão apresentadas características particulares dos respectivos processos semi
Markovianos.
3.3. Processos semi Markovianos Homogêneos
3.3.1. Conceitos Básicos e Exemplo
Antes de desenvolvimentos teóricos mais avançados, os conceitos básicos dos Processos
semi Markovianos Homogêneos (PSMHs) serão apresentados através de um exemplo simples
ilustrativo o qual se insere no contexto do departamento de vendas de uma empresa de
manufatura de lâminas de barbear.
Basicamente, suponha que tal empresa produza dois tipos de produtos e dado que um
consumidor adquiriu o produto 1 na sua última compra há uma probabilidade igual a 0.8 de
adquirir novamente o produto 1 e, portanto, 0.2 de adquirir o produto 2 na sua próxima
compra. Dado que o consumidor adquiriu o produto 2 na sua última compra, há uma
probabilidade igual a 0.3 de adquirir o produto 1 e 0.7 de adquirir novamente o produto 2 em
sua próxima compra. A partir destes dados, a seguinte matriz de transição pode ser construída:
0.8 0.2.
0.3 0.7 ijP p
= =
Equação 3-5
Como relatado na seção 3.2, segundo Howard (1971a) os PSMs podem ser entendidos
como um processo no qual a ocupação sucessiva de estados é governada pelas probabilidades
de transição de um PM. Tal processo, conhecido como PM embutido, determina a trajetória
do sistema modelado a partir das probabilidades de transição as quais neste caso são dadas na
Equação 3-5. Desta forma, para todo PSM está associado um processo Markoviano,
conhecido PM embutido, o qual é responsável pelas transições entre estados.
Entretanto, o tempo de permanência em cada estado é descrito por uma variável aleatória
real positiva que depende tanto do estado presentemente ocupado quanto do estado para o
qual a próxima transição será feita. Ou seja, nos instantes de transição o PSM comporta-se
exatamente como um processo Markoviano, porém os instantes nos quais tais transições
ocorrem são modelados por um mecanismo probabilístico diferente.
Então, após o consumidor decidir qual produto (1 ou 2) irá adquirir e então realizar a
compra, o tempo até a próxima aquisição dependerá das características particulares de cada
produto. O produto 1 é composto por apenas uma lâmina de barbear e, portanto, executa sua
função de forma satisfatória por um período esperado inferior que o produto 2 o qual possui
21
três lâminas. Entretanto, o preço de cada produto é inversamente proporcional ao número de
lâminas que o mesmo contém.
Desta forma, de acordo com dados do departamento de vendas nota-se que o tempo de uso
de dado produto pelo consumidor depende do instante desde a última compra e tem funções
de densidade condicionais dadas na Equação 3-6. Cada função ( )ijh i representa a função
densidade de probabilidade (PDF) condicional do tempo de uso em semanas do produto i
dado que o próximo produto a ser adquirido será j . Tal tempo de uso corresponde ao tempo
local ou de permanência condicional o qual é descrito na seção 2.10.
( )4 2
11 12
321 22
( ) 4 ( ) 2( ) , 0.
( ) 3 ( )ij
h e h eH h
h e h e
τ τ
τ τ
τ ττ τ τ
τ τ
− −
− −
= = = = ≥
= = Equação 3-6
A Figura 3-1 ilustra o diagrama de estados, as possíveis transições assim como as
probabilidades de transição e PDFs condicionais dos tempos de uso de cada produto. Nesta
figura, o número do estado é referente ao nome do produto. Desta forma, uma transição para o
estado 1 corresponde à compra do produto 1 e para o estado 2 à compra do produto 2.
1 2ττ 411 4)( −= eh
ττ −= eh )(22
ττ 212 2)( −= eh
ττ 321 3)( −= eh
=
7.03.0
2.08.0P
Figura 3-1 – Diagrama de transições para o exemplo da empresa de manufatura de lâminas de barbear
Nota-se que para definir um PSM completamente, é necessária a determinação de 2N
probabilidades de transição do PM embutido dadas na Equação 3-5 assim como 2N PDFs do
tempo de permanência que seguem na Equação 3-6.
Neste caso, as PDFs da Equação 3-6 são todas exponenciais com parâmetros diferentes
representando as durações condicionais do tempo de permanência em cada estado. Utilizando
a notação 1ijij
τ λ= e 22
1ij
ij
σλ
= para a média e variância respectivamente do tempo de uso
22
do produto i dado que o próximo produto a ser comprado será j , tem-se os valores mostrados
na Tabela 3-1, onde ijλ corresponde ao parâmetro da PDF exponencial do tempo de
permanência.
Tabela 3-1 – Médias e variâncias dos tempos de uso de cada produto em semanas
i j ijτ 2
ijσ
1 1 14 1
16
1 2 12 1
4
2 1 13 1
9
2 2 1 1
Preliminarmente, tais resultados mostram que os consumidores que preferem o produto 2
compram em média a cada semana este produto, o qual é mais caro do que o produto 1, mas
possui um tempo esperado de uso superior.
Alternativamente, pode-se representar a natureza probabilística dos tempos de
permanência a partir de sua função de distribuição acumulada ( )ijF t (CDF) e do seu
complementar ( )ijF t as quais são dadas na Equação 3-7 e Equação 3-8, respectivamente:
0
( ) ( )t
ij ij ijF t P t h dτ τ τ= ≤ = ∫ Equação 3-7
( ) ( ) 1 ( ).ij ij ij ij
t
F t P t h d F tτ τ τ∞
= > = = −∫ Equação 3-8
Neste caso, já que todas as CDFs e respectivos complementares dos tempos de
permanência são exponenciais, então estes podem ser escritos em forma matricial como na
Equação 3-9 e Equação 3-10, onde o índice M representa a formulação matricial:
4 2
3
1 1( ) , 0
1 1
t tM
ij t t
e eF t t
e e
− −
− −
− −= ≥
− − Equação 3-9
4 2
3( ) , 0.
t tMij
t t
e eF t t
e e
− −
− −
= ≥
Equação 3-10
O tempo de permanência é condicional no estado presentemente ocupado e no estado para
o qual a próxima transição será feita. Porém, dada a natureza estocástica do processo não se
sabe qual o estado o mesmo ocupará em seguida. Pode-se definir, então, o tempo de espera iτ
23
como uma variável aleatória real positiva que representa o tempo de permanência no estado i
quando não se conhece qual o estado sucessor. O tempo de espera 1τ , por exemplo, representa
o tempo de uso do produto 1 dado que não se sabe se o consumidor irá adquirir o produto 1 ou
2 em sua próxima compra.
A função densidade de probabilidade ( )iw i do tempo de espera no estado i está
relacionada à função densidade de probabilidade ( )ijh i do tempo de permanência de acordo
com a Equação 3-11:
1
( ) ( ),N
i ij ijj
w p hτ τ=
=∑ Equação 3-11
onde N representa o número de estados do processo. Em tal equação, a variável que
representa o estado i é marginalizada através do somatório da ponderação das PDFs do tempo
de permanência pelas probabilidades que as mesmas ocorrem ao longo de todos os possíveis
estados sucessores j .
Segundo Howard (1971a), a função de distribuição acumulada ( )iF t e seu complementar
( )iF t fornecem uma representação alternativa da natureza probabilística dos tempos de espera
iτ . Tais funções são dadas e relacionadas à CDF ( )ijF t e ao complementar da CDF ( )ijF t do
tempo de permanência ijτ , como segue na Equação 3-12 e Equação 3-13, respectivamente:
( )1 10 0
( ) ( ) ( )t t N N
i i i ij ij ij ijj j
F t P t w d p h d p F tτ τ τ τ τ= =
= ≤ = = =∑ ∑∫ ∫ Equação 3-12
( )1 1
( ) ( ) ( ).N N
i iji i ij ij ijj jt t
F t P t w d p h d p F tτ τ τ τ τ∞ ∞
= =
= > = = =∑ ∑∫ ∫ Equação 3-13
As funções densidade, funções de distribuição acumulada e respectivos complementares
do tempo de espera para o exemplo da indústria de lâminas de barbear estão apresentadas na
Tabela 3-2:
Tabela 3-2 – Funções densidade, funções de distribuição acumulada e respectivos complementares do tempo de espera para o exemplo
i ( )iw t ( )iwF t ( )iwF t
1 4 23.2 0.4t te e− −+ 4 21 0.8 0.2t te e− −− − 4 20.8 0.2t te e− −+ 2 30.9 0.7t te e− −+ 31 0.3 0.7t te e− −− − 30.3 0.7t te e− −+
24
Faz-se necessário definir a matriz “núcleo” (kernel) ( )C τ do PSMH para a qual os
elementos são os produtos dos elementos correspondentes da matriz P e ( )H τ como segue na
Equação 3-14. O kernel matricial ( )C τ é o descritor fundamental do PSMH já que possui os
elementos que determinam as transições entre os estados e o tempo de permanência
condicional:
( ) ( )C P Hτ τ= Equação 3-14
onde o símbolo representa a multiplicação entre os elementos correspondentes das matrizes
P e ( )H τ .
A matriz ( )C τ para o exemplo é dada na Equação 3-15. Nota-se que o somatório ao longo
da linha i da matriz ( )C τ é igual a função densidade do tempo de espera ( )iw τ no estado i .
( )4 2
3
3.2 0.4( ) ( ) , 0
0.9 0.7ij
e eC P H c
e e
τ τ
τ ττ τ τ τ
− −
− −
= = = ≥
Equação 3-15
Na próxima subseção, será mostrado como é possível avaliar a evolução temporal das
probabilidades de transição entre estados do PSMH as quais serão denominadas como
probabilidades de transição intervalares ( )ij tφ .
3.3.2. Probabilidades de Transição Intervalares
Permita definir ( ) ( ) | (0)ij t P X t j X iφ = = = como a probabilidade que o processo
alcançará o estado j no instante t dado que o mesmo entrou no estado i no instante 0t = .
Utilizando a notação apresentada na seção anterior, a equação fundamental dos PSMHs a qual
define as probabilidades de transição intervalares é dada em Howard (1971a) como na
Equação 3-16:
1 0
( ) (1 ( )) 1,2,...,
( ) ( ) 1,2,...,
0.
ij ij i
tN
ik ik kjk
t F t i N
p h t d j N
t
φ δ
τ φ τ τ=
= − + =
− =
≥
∑ ∫ Equação 3-16
onde N é o número de estados do PSMH; ijδ é o delta de Kronecker o qual é unitário para i j= e
nulo para i j≠ ; ( )iF t é a CDF do tempo de espera iτ no estado i ; ikp é a probabilidade de transição
25
do estado i para o estado k do PM embutido e ( )ikh ⋅ é a PDF do tempo de permanência no estado i
dado que o próximo estado a ser ocupado é k .
A Equação 3-16 pode ser interpretada da seguinte forma: a primeira parcela da soma
corresponde ao evento no qual o PSMH permanece no estado i pelo menos até o instante t e
somente contribui para ( )iip t . Já a segunda parcela descreve o evento que o processo
permanece no estado i até o instante τ quando se desloca para algum estado k e então se
move de k para j em t τ− unidades de tempo, sendo t τ> .
A Equação 3-16 é conhecida como a equação fundamental dos PSMHs e tem como caso
especial a equação de Volterra de segunda ordem, veja Press et al. (2002) para maiores
detalhes. Tal equação pode ser escrita na forma matricial como na Equação 3-17:
( )( )0
( ) ( ) ( ) .t
Mit F t P H t dτ τ τΦ = + Φ −∫ Equação 3-17
Onde ( )MiF t é a matriz dos complementares das CDFs do tempo de espera iτ . A matriz
( )MiF t é uma matriz diagonal na qual para i j= seu elemento é igual ao complementar da
CDF do tempo de espera sendo nulo caso contrário. O somatório da Equação 3-16 desaparece
na representação matricial da Equação 3-17 devido à multiplicação entre as matrizes ( )P H τ
e ( )t τΦ − .
A matriz ( )P H τ como relatado anteriormente corresponde ao kernel ( )C τ do PSMH.
Desta forma, a Equação 3-17 pode ser reescrita como na Equação 3-18:
( )0
( ) ( ) ( ) .t
Mit F t C t dτ τ τΦ = + Φ −∫ Equação 3-18
A Equação 3-18 corresponde a um sistema de 2N equações integrais de convolução, as
quais recebem tal denominação devido à integral que aparece na segunda parcela, veja Boyce
e Diprima (2002).
Uma integral de convolução tem a seguinte forma:
1 2
0
( ) ( ) .t
f f t dτ τ τ−∫ Equação 3-19
Fazendo uso do resultado dado na Equação A. 6 demonstrada no APÊNDICE A que a
convolução de duas funções de tempo contínuo 1( )f ⋅ e 2 ( )f ⋅ tem transformada de Laplace
(TL) igual ao produto das transformadas individuais, pode-se transformar o sistema de
26
equações integrais da Equação 3-18 em um sistema de equações algébricas através da
aplicação de TLs.
Desta forma, usando a notação que ( )f s é a TL da função ( )f t e aplicando tais
transformadas à Equação 3-18, tem-se que:
( ) ( ) ( )* ( ),M
is F s C s sΦ = + Φ Equação 3-20
onde s é a variável transformada; ( )sΦ é a matriz das TLs das probabilidades de transição
intervalares; ( )M
iF s é a matriz das TLs do complementar das CDFs do tempo de espera; ( )C s
é a matriz das TLs do kernel do PSMH.
Resolvendo para ( )sΦ , a Equação 3-20 torna-se:
( ) ( ) ( )M
iI C s s F s − Φ = Equação 3-21
1( ) ( ) ( ).
M
is I C s F s−
Φ = − Equação 3-22
A Equação 3-22 significa que a matriz das TLs das probabilidades de transição
intervalares é igual à multiplicação da inversa da matriz que se obtém subtraindo ( )C s da
matriz Identidade pela matriz das TLs do complementar das CDFs do tempo de espera.
Segundo Howard (1971a), tal matriz inversa sempre existirá para o tipo de processo que se
está considerando.
Retornando ao exemplo apresentado na seção anterior, será montada a formulação
matricial necessária para o cálculo das TLs das probabilidades de transição intervalares dadas
pela Equação 3-22.
Utilizando os resultados da Equação A. 4 e Equação A. 8 no APÊNDICE A nos quais é
demonstrado que a TL da função atae− é igual a ( )a
s a+, a matriz ( )H s das TLs das PDFs
dos tempos de permanência pode ser montada como segue na Equação 3-23:
( )
4 2
4 2( ) .3 1
3 1
ijs sH s h s
s s
+ + = = + +
Equação 3-23
A matriz ( )C s pode ser calculada como segue na Equação 3-24:
27
( )
3.2 0.4
4 2( ) ( ) .0.9 0.7
3 1
ijs sC s P H s c s
s s
+ + = = = + +
Equação 3-24
A matriz ( )M
iF s pode ser calculada utilizando o resultado no APÊNDICE A dado pela
Equação A. 13 a qual mostra que 1( ) (1 ( ))i iF s w s
s= − , i.e., a TL do complementar da CDF do
tempo de espera no estado i é igual a subtrair da unidade a TL da PDF do tempo de espera no
estado i e então dividir pela variável transformada.
A TL da PDF do tempo de espera ( )iw s no estado i pode ser obtida através da relação
com a TL da PDF do tempo de permanência ( )ijh s como segue na Equação 3-25:
1
( ) ( ).N
i ijijj
w s p h s=
=∑ Equação 3-25
Portanto, a matriz ( )M
iF s é dada como segue na Equação 3-26:
2.40.8 0.2 00( 2)( 4)4 2( ) .
0.3 0.7 2.40 0
3 1 ( 1)( 3)
M
i
s
s ss sF ss
s s s s
+ + + ++ + = =
+ + + + + +
Equação 3-26
Os próximos passos são subtrair a matriz ( )C s da matriz Identidade, calcular a inversa da
matriz resultante e então multiplicá-la pela matriz das TLs do complementar das CDFs dos
tempos de espera. Tais passos são mostrados na Equação 3-27, Equação 3-29 e Equação 3-30,
respectivamente.
A matriz inversa é calculada a partir do cálculo do determinante da matriz M e da matriz
adjunta M através do resultado demonstrado no ANEXO B.
0.8 0.4
4 2( )0.9 0.3
3 1
s
s sM I C ss
s s
+ − + +
= − = − +
+ +
Equação 3-27
Calculando o determinante da matriz M :
( )M I C s= − 3 2( 6.1 11.38 6)
( 1)( 2)( 3)( 4)
s s s s
s s s s
+ + +=
+ + + +
28
2( 2.4)( 3.7 2.5)
( 1)( 2)( 3)( 4)
s s s s
s s s s
+ + +=
+ + + +
( 0.88953)( 2.4)( 2.81047)
.( 1)( 2)( 3)( 4)
s s s s
s s s s
+ + +=
+ + + + Equação 3-28
E então calculando a inversa da matriz M :
11 ( )
1
det
M I C s
MM
−− = − =
= ⋅ =
0.3 0.4( 1)( 2)( 3)( 4) 1 2 .
0.9 0.8( 0.88953)( 2.4)( 2.81047)
3 4
ss s s s s s
ss s s s
s s
+ + + + + + +
++ + + + +
Equação 3-29
A matriz das TLs das probabilidades de transição intervalares é então calculada pela
multiplicação da matriz 1M − pela matriz ( )M
iF s como segue na Equação 3-30:
1( ) ( ) ( )
( 0.3)( 3) 0.4( 4)1.
0.9( 1) ( 0.8)( 2)( 0.88953)( 2.81047)
M
is I C s F s
s s s
s s ss s s
− Φ = −
+ + + = + + ++ +
Equação 3-30
Dada a solução transformada da Equação 3-30, o problema agora consiste em inverter a
transformada, i.e., obter a solução das probabilidades de transição intervalares na variável
tempo t através das soluções na variável s .
O problema da inversão de TLs está incluído em uma classe de problemas mais geral
conhecida como Problemas Inversos. Basicamente, um problema Inverso consiste em se
determinar causas a partir da observação de seus respectivos efeitos. No caso das TLs, as
causas são os valores das probabilidades de transição intervalares ao longo do tempo t e os
efeitos são os próprios valores das transformadas.
O procedimento analítico de inversão de TLs consiste em se analisar se a solução
transformada corresponde à TL de alguma função conhecida. Para auxiliar tal análise, faz-se
necessária a expansão em frações parciais da Equação 3-30. Tem-se então que:
0.36 0.64 0.72813 0.728131 1
( )0.36 0.64 0.05818 0.058180.88953
0.08813 0.088131.
0.30182 0.301822.81047
ss s
s
− Φ = + −+
− + −+
Equação 3-31
29
Analisando o resultado dado na Equação A. 3 (TL de ( ) 1u t = é 1s ) e Equação A. 8 (TL
de ( ) atf t e−= é ( )
1s a+
) provadas no APÊNDICE A, a matriz ( )tΦ é dada como na
Equação 3-32:
0.88953
2.81047
0.36 0.64 0.72813 0.72813( )
0.36 0.64 0.05818 0.05818
0.08813 0.08813, 0.
0.30182 0.30182
t
t
t e
e t
−
−
− Φ = + −
− + ≥ −
Equação 3-32
Suponha que o departamento de Vendas da empresa de lâminas de barbear deseje
examinar o grau de fidelidade do consumidor ao longo do tempo. Entenda como grau de
fidelidade em um instante 0t ≥ , a probabilidade do consumidor está com um produto da
marca i neste instante dado que adquiriu um produto da mesma marca no início da análise.
Tal análise pode ser realizada a partir da avaliação das probabilidades 11( )tφ e 22 ( )tφ as quais
são dadas pela Equação 3-33 e Equação 3-34, respectivamente e estão ilustradas na Figura
3-2.
0.88953 2.8104711( ) 0.36 0.72813 0.08813t tt e eφ − −= + − Equação 3-33
0.88953 2.8104722 ( ) 0.64 0.05818 0.30182t tt e eφ − −= + + Equação 3-34
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6 7 8
Tempo (semanas)
Pro
b d
e T
ran
siçã
o In
terv
alar
es
Estado 1 para Estado 1
Estado 2 para Estado 2
Figura 3-2 – Probabilidades de transição intervalares para análise do grau de fidelidade
30
De acordo com a definição de grau de fidelidade, nota-se a partir da análise da Figura 3-2
que para um período t = 8 semanas, o consumidor que compra o produto 2 é mais fiel do que
o que prefere o produto 1. Tais resultados podem servir para uma tomada de decisão
estratégica da empresa no intuito de incrementar a fidelidade do consumidor do produto 1.
A formulação descrita até agora é a maneira mais comum de apresentação dos PSMHs a
qual está presente na maioria dos livros textos matemáticos, como por exemplo em Howard
(1971a), Ross (1997) e Limnios e Oprisan (2001). Além disso, todas as aplicações e
desenvolvimentos teóricos relatados na seção 3.2 utilizam tal formulação para PSMHs na qual
é necessária a definição das probabilidades de transição do processo Markoviano embutido
assim como das funções densidade condicionais dos tempos de permanência.
Entretanto, no contexto de Engenharia de Confiabilidade ao invés de probabilidades de
transição, seria mais atrativo definir PSMs a partir de suas taxas de transição ( )ijλ ⋅ , assim
como é largamente utilizado para os processos Markovianos em tempo contínuo.
Becker et al. (2000) desenvolveram a formulação matemática dos PSMs a partir das taxas
de transição ( )ijλ ⋅ . Estas taxas de transição ( )ijλ ⋅ são distintas das taxas de transição dos PMs
as quais ou são constantes (Markov Homogêneo) ou dependem do tempo de processo
(Markov Não Homogêneo).
As taxas ( )ijλ ⋅ do PSM, por sua vez, podem depender apenas do tempo de permanência em
um determinado estado (semi Markov Homogêneo) ou tanto do tempo de permanência nos
estados quanto do tempo de processo (semi Markov Não Homogêneo). Em ambos os casos,
( )ijλ ⋅ pode representar taxas de falha ou reparo de componentes, sub-sistemas ou sistemas
como nos PMs.
A formulação matemática dos PSMHs a partir de taxas de transição desenvolvida por
Becker et al. (2000) será apresentada na próxima subseção.
3.3.3. PSMHs definidos a partir de taxas de transição
A taxa de transição )(tijλ de um PSMH é definida em Becker et al. (2000), como:
1 1 1( ) ( , ) ( ) | ( ) ,ij n n n n n nt dt P L L t t dt X L j X L i L L tλ − − −= − ∈ + ∩ = = ∩ − > Equação 3-35
onde 1nL − e nL são os instantes da última e próxima transições, respectivamente. O tempo de
permanência condicional ijτ é dado pela diferença 1n nL L −− .
31
A Equação 3-35 significa que uma transição para o estado j ocorre em um intervalo de
tempo infinitesimal depois que o processo alcançou o estado i por uma duração t , dado que
não houve antes qualquer transição deixando tal estado.
Becker et al. (2000) provam que a definição de um PSM a partir de suas taxas de transição
( )ijλ ⋅ é viável e equivalente à definição fornecida pelas probabilidades de transição. Assim, as
probabilidades de transição intervalares para um PSM podem ser obtidas a partir das taxas de
transição ( )ijλ ⋅ .
Para o caso Homogêneo, no qual as taxas de transição )(tijλ dependem apenas do tempo
decorrido desde a última transição (tempo de permanência), Becker et al. (2000) apresentam
as probabilidades de transição intervalares ( ) ( ) | (0) ij t P X t j X iφ = = = através das taxas )(tijλ
como:
0
0 01
( ) exp( ( ) ) 1,...,
( )exp( ( ) ) ( ) 1,..., ,
t
ij ij i
N t
ik i kjk
t x dx i N
x dx t d j Nτ
φ δ λ
λ τ λ φ τ τ=
= − + =
+ − − =
∫
∑∫ ∫
Equação 3-36
onde N é o número de estados do PSMH e ijδ é o delta de Kronecker.
A Equação 3-37 é a taxa de transição de saída do estado i . A Equação 3-38 é o kernel do
PSMH e corresponde à função densidade de probabilidade condicional do tempo de
permanência no estado i dado que o próximo estado a ser ocupado será j . A Equação 3-39
corresponde ao complementar da função de distribuição acumulada do tempo de espera no
estado i .
1
( ) ( )N
i ikk
λ λ=
⋅ = ⋅∑ Equação 3-37
( ) ( )0
( ) expt
ij ij iC t t x dxλ λ
= − ∫ Equação 3-38
( )0
( ) exp .t
i iF t x dxλ
= − ∫ Equação 3-39
A Equação 3-36 tem interpretação semelhante à dada para a Equação 3-16 (probabilidades
de transição intervalares para PSMHs a partir de probabilidades de transição: a primeira
parcela pode ser interpretada como o evento que o sistema permanece no estado i pelo menos
32
até o instante t , apenas contribuindo para )(tpii . A segunda parcela descreve o evento que o
sistema permanece no estado i até o instante τ quando uma transição para um dos k estados
ocorre e então o sistema transita do estado k para o estado j no instante t , sendo τ>t .
A Equação 3-36 será resolvida afim de se calcular as probabilidades de transição
intervalares ( )ijφ ⋅ do PSMH descrito a partir de taxas de transição. A aplicação das TLs à
Equação 3-36 resulta novamente na Equação 3-21 e Equação 3-22. Porém, as TLs ( )C s e
( )M
iF s são calculadas a partir do kernel e do complementar da função de distribuição
acumulada os quais são dados agora pela Equação 3-38 e Equação 3-39, respectivamente.
Entretanto antes de qualquer desenvolvimento mais avançado, vale salientar que o
procedimento analítico descrito na seção 3.3.2 de cálculo das probabilidades de transição
intervalares possui duas importantes restrições: a avaliação das probabilidades de transição
intervalares de um PSM com apenas dois estados mostrou-se bastante laboriosa. Até para um
sistema um pouco mais complexo do que o apresentado, a avaliação analítica de tais
probabilidades torna-se inviável. Além disso, nem sempre é possível inverter as TLs de forma
analítica como fora realizado, especialmente quando as PDFs dos tempos de permanência
seguem funções mais gerais não necessariamente exponenciais.
Portanto, o procedimento de cálculo analítico das probabilidades de transição intervalares
dos PSMHs não é aplicável na maioria dos sistemas complexos reais os quais podem ocupar
um número elevado de estados e possuem PDFs dos tempos de permanência em tais estados
não exponenciais.
É necessário então que seja desenvolvido um método numérico de resolução das
probabilidades de transição intervalares para PSMHs a partir de taxas de transição o qual será
apresentado na seção 4.2.1. O desenvolvimento de tal método numérico é bastante relevante,
pois servirá também como base para resolução das probabilidades de transição intervalares
dos processos semi Markovianos Não Homogêneos (PSMNH), os quais serão descritos na
próxima seção.
3.4. Processos semi Markovianos Não Homogêneos
3.4.1. Introdução e Conceitos
Os processos semi Markovianos Não Homogêneos (PSMNH) foram originalmente
desenvolvidos por Iosifescu (1972). A formulação de tal classe de processos estocásticos
33
deveu-se à necessidade de desenvolver um modelo no qual as probabilidades de transição
dependessem tanto do instante desde a última transição quanto do tempo de processo, ou seja,
um modelo que englobe características tanto de um processo semi Markoviano Homogêneo
quanto de um Processo Markoviano Não Homogêneo.
Assim como ocorre em Grabski (2003) e Corradi et al. (2004) para PSMHs, o PSMNH
será apresentado aqui a partir do Processo de Renovação Markoviano Não Homogêneo,
utilizando uma notação semelhante à dada em Çinlar (1975).
Permita que 1,...,E N= represente o espaço finito de estados. Permita também definir as
seguintes variáveis aleatórias:
: , : [0, ],n nX E TΩ → Ω → +∞ Equação 3-40
onde nX e nT são o estado e o tempo de processo na n-ésima transição, respectivamente.
O processo ( ),X T é chamado de processo de Renovação Markoviano se
1 1 1 1 0 0
1 1
[ , | , , , ,..., , ]
[ , | , ].
n n n n n n
n n n n
P X j T t X i T l X T X T
P X j T t X i T l
+ + − −
+ +
= ≤ = =
= = ≤ = = Equação 3-41
O kernel ( ),C ⋅ ⋅ do PSMNH é definido como:
( ) 1 1, [ , | , ].ij n n n nC l t P X j T t X i T l+ += = ≤ = = Equação 3-42
A Equação 3-42 representa a probabilidade do processo alcançar o estado j em um
instante 1nT t+ ≤ dado que alcançou o estado i no instante l . Note que o kernel é definido aqui
como uma função de distribuição acumulada.
Segue que:
( ) lim ( , ), , .ij ijt
p l C l t i j E→∞
= ∈ Equação 3-43
Sendo ( )( ) ijP l p l = a matriz de probabilidades de transição do processo Markoviano Não
Homogêneo embutido.
A probabilidade que o processo deixará o estado i do instante l até t a qual representa a
função de distribuição do tempo de espera no estado i é dada por:
[ ]1( , ) | , .i n n nF l t P T t X i T l+= ≤ = = Equação 3-44
A Equação 3-44 representa a probabilidade do processo deixar o estado i do instante l até
t não se sabendo qual é o estado sucessor.
Logicamente, tem-se que:
34
1
( , ) ( , ).N
i ijjj i
F l t C l t=≠
=∑ Equação 3-45
É possível definir então as funções de distribuição acumulada condicionais do tempo de
permanência em cada estado dado o próximo estado a ser ocupado pelo processo, como segue:
( ) [ ]1 1, | , , .ij n n n nG l t P T t X i X j T l+ += ≤ = = = Equação 3-46
Segundo D’amico et al. (2005), a principal diferença entre um PMNH e um PSMNH está
nas funções de distribuição acumulada ( ),ijG l t . No ambiente Markoviano, tais funções devem
ser exponenciais negativas. Já no caso semi Markoviano, ( ),ijG l t pode ser de qualquer tipo.
As probabilidades são relacionadas por:
( ) ( )
( , ), ( ) 0
,
1 , ( ) 0.
ijij
ijij
ij
C l tse p l
p lG l t
se p l
≠
=
=
Equação 3-47
Tais relações também valem para o PSMH, com a exceção de que as probabilidades ( )ijp ⋅
não são dependentes do tempo de processo e as quantidades ( , )ijC ⋅ ⋅ e ( , )ijG ⋅ ⋅ dependem apenas
do instante desde a última transição, i.e., do tempo de permanência.
As probabilidades de transição intervalares [ ]( , ) |ij t ll t P X j X iφ = = = do PSMNH
0,tX X t R+ = ∈
, onde X representa o estado ocupado pelo processo no instante t , podem
ser calculadas como:
( )
( )
1
1
( , ) 1 ( , ) ( , ) ( , )
1 ( , ) ( , ) ( , ) ,
tN
ij ij i ik kjk l
tN
ikij i kjk l
l t F l t dC l t d
F l t C l t d
φ δ τ φ τ τ
δ τ φ τ τ
=
•
=
= − +
= − +
∑∫
∑∫
Equação 3-48
onde ijδ é o delta de Kronecker e ( , )ikC•
⋅ ⋅ é a derivada do kernel do PSMNH em relação ao
tempo de processo. Utilizando a relação dada na seção 2.4 (Função Densidade de
Probabilidade (PDF)), a derivada do kernel ( , )ikC•
⋅ ⋅ do PSMNH corresponde à PDF do tempo
de permanência no estado i dado que o processo transitará para o estado k em sua próxima
transição.
35
A primeira parcela da Equação 3-48 representa a probabilidade do processo permanecer
no estado i do instante l até t , sem haver qualquer mudança de estado nesse período. A
segunda parcela representa a probabilidade do processo alcançar o estado i no instante l ,
deixar tal estado e alcançar o estado k intermediário no instante τ e transitar do estado k
para j no instante t , sendo t lτ> > .
A resolução da Equação 3-48 é mais complexa do que a sua versão para o caso
Homogêneo dada pela Equação 3-18 por dois motivos: a Equação 3-48 não é mais uma
equação integral de convolução ao contrário do que acontece com os PSMHs e depende de
dois parâmetros temporais l e t .
Janssen e Manca (2001b) acreditam que a não homogeneidade em relação ao tempo de
processo no ambiente contínuo implique em muito mais dificuldades sendo esta uma das
principais razões que justifica a escassez de aplicações desta poderosa ferramenta de
modelagem de sistemas dinâmicos. Janssen e Manca (2001b) desenvolvem um método de
resolução da Equação 3-48 utilizando um método geral de integração numérica.
A apresentação formal de um PSMNH a qual foi dada na presente seção é a mesma que
foi originalmente desenvolvida e utilizada nos livros textos matemáticos. Em tal formulação, é
necessária a designação das probabilidades de transição do processo Markoviano Não
Homogêneo embutido e das funções de distribuição acumuladas condicionais do tempo de
permanência para completa definição do PSMNH.
Entretanto, em Engenharia de Confiabilidade da mesma forma que acontece para PSMHs,
os PSMNHs tornam-se mais passíveis de aplicação se forem definidos a partir de taxas de
transição assim como é largamente utilizado para os PMNHs. Neste sentido, Becker et al.
(2000) desenvolve a formulação matemática de um PSMNH a partir de suas taxas de transição
a qual será apresentada na próxima seção.
3.4.2. PSMNHs definidos a partir de taxas de transição
Os PSMHs foram definidos a partir de taxas de transição as quais dependem do tempo de
permanência em determinado estado na subseção 3.3.3. Uma rápida definição dos PMNHs
nos quais as taxas de transição dependem do tempo de processo ou de calendário foi dada na
seção 3.1. Entretanto, taxas de transição que dependem de ambos os tipos de variáveis
temporais (tempo de permanência e de processo) podem ocorrer simultaneamente em
problemas reais. Portanto, é necessário o desenvolvimento de um modelo no qual as taxas de
transição possam depender tanto do tempo de permanência quanto do tempo de processo.
36
As variáveis t e trt serão usadas para representar respectivamente a dependência das taxas
de transição em função do tempo de processo e do instante da última transição. Para a
dependência do tempo de permanência, a variável x será usada. Utilizando esta notação,
Becker et al. (2000) definem a taxa de transição de um PSMNH como:
( ) ( )1 1
1 1
, , , ( ) | ( )
,
ij tr n n n n
n n n tr
x t t dx P L L x x dx X L j X L
i L L x L t
λ − −
− −
= − ∈ + ∩ =
= ∩ − > ∩ = Equação 3-49
onde trt t x= − e t é o tempo de processo.
A Equação 3-49 significa que uma transição para o estado j ocorre em um intervalo de
tempo infinitesimal depois que o processo alcançou o estado i no instante 1n trL t− = , dado que
não houve antes qualquer transição deixando tal estado. Tanto t quanto trt representam
tempos de processo, porém trt é o instante da última transição 1nL − tal que trt t x= + .
Para obter a versão da Equação 3-36 (probabilidades de transição intervalares do PSMH
definido por taxas de transição) para o PSMNH deve-se levar em consideração que o processo
é não homogêneo em relação ao tempo de processo. Assim, ( ),ijφ ⋅ ⋅ é dada por:
0( , ) ( ) | ( ) .ij l t P X t j X l i L lφ = = = ∩ = Equação 3-50
Desta forma, a versão da Equação 3-36 para o caso Não Homogêneo, é dada em Becker et
al. (2000), como segue na Equação 3-51:
( )
( )1
( , ) exp , ,
( , , )exp , , ( , ) .
t
ij ij i
l
t tN
ik i kjk l l
l t x l x l dx
l l x l x l dx t d
φ δ λ
λ τ τ λ φ τ τ=
= − −
+ − − −
∫
∑∫ ∫
Equação 3-51
A resolução da Equação 3-51 da mesma forma da Equação 3-48 é mais complexa que a
sua respectiva versão para o caso Homogêneo pelos motivos apresentados na seção anterior.
Becker et al. (2000) avaliam a possibilidade de resolução da Equação 3-51 a partir da
formulação de um problema de valor inicial o qual envolve funções densidade. Um problema
de valor inicial tem o objetivo de determinar ( )jp t dado (0)jp .
Então, permita que ( ) ( )rjH t E N t = seja o valor esperado do número de vezes que o
estado j é visitado no intervalo ( )0,t . Se ( )rjH t é diferenciável, ( )( )rj rjh t dt dH t= será a sua
respectiva PDF. Como o processo considerado é regular, i.e., não mais de uma transição pode
37
ocorrer em qualquer intervalo ( ),t t dt+ , ( )rjh t pode ser entendida como a probabilidade que
uma transição ocorra para o estado j em um intervalo de tempo dt infinitesimal, como segue
na Equação 3-52:
( ) ( ), .rjh t dt P estado j visitado em t t dt
= +
Equação 3-52
Então, segue que:
( ) ( ) ( ) ( )
( ) ( ) ( )
1 0
1 0 0
0 exp , ,0 , ,0
exp , , , , .
tN
rj i i iji
t tN
ri i iji
h t p l l dl t t
h l l dl x t tτ
λ λ
τ λ τ τ λ τ τ
=
−
=
= −
+ − + −
∑ ∫
∑∫ ∫
Equação 3-53
De acordo com a Equação 3-53, o estado j pode ser alcançado ou se o processo
inicialmente estava no estado i e permanece neste estado até o instante t , quando uma
transição para o estado j ocorre ou se o processo visitou o estado i no instante τ ,
permanecendo neste estado por t τ− unidades de tempo quando então uma transição para o
estado j ocorre.
A Equação 3-53 corresponde a um sistema de N equações integrais de convolução na
variável x cada uma com incógnita ( ) , 1,...,rjh t j N= . Se tais equações são resolvidas
simultaneamente, as probabilidades ( )j tφ podem ser obtidas a partir das condições iniciais
( )0jφ como segue na Equação 3-54:
( ) ( ) ( )
( ) ( )
0
0 0
0 exp , ,0
exp , , .
t
j j j
t t
rj j
t l l dl
h l l dl dτ
φ φ λ
τ λ τ τ τ−
= −
+ − +
∫
∫ ∫
Equação 3-54
A Equação 3-54 significa que o processo pode estar no estado j se estava inicialmente no
estado j e permanece lá pelo menos até o instante t ou se visitou o estado j em um instante
qualquer ( )0,tτ ∈ com probabilidade ( )rjh τ e permanece lá por t τ− unidades de tempo. A
Equação 3-54 também é um sistema de equações integrais de convolução de N variáveis
( )j tφ que podem ser resolvidas independentemente.
Apesar de desenvolver a formulação matemática completa para os PSMNHs a partir de
taxas de transição, Becker et al. (2000) não apresentam um método específico de resolução da
38
Equação 3-53 e Equação 3-54. No capítulo 4 seção 4.3, será desenvolvido o método de
resolução de tais equações o qual é semelhante ao desenvolvido para PSMHs. Isto é possível
já que tais equações agora também são do tipo convolução.
Nesta seção, foi discutido o processo semi Markoviano Não Homogêneo. O PSMNH
engloba características dos processos Markovianos Não Homogêneos e dos processos semi
Markovianos Homogêneos. O PSMNH definido a partir de taxas de transição e a formulação
matemática de suas probabilidades de transição intervalares também foram apresentados.
3.5. Redes Bayesianas
3.5.1. Introdução e aplicações em Confiabilidade
Segundo Korb e Nicholson (2003), Redes Bayesianas (RBs) são modelos gráficos que
permitem representar razões ou argumentos no domínio da incerteza. Basicamente, uma RB é
um Grafo Acíclico Direcionado (DAG), no qual os nós representam variáveis de interesse
(discretas ou contínuas) e os arcos representam conexões diretas entre tais variáveis. Tais
conexões são sempre relações de causa e efeito, sendo a origem do arco a causa e a
extremidade o seu respectivo efeito.
Segundo Pearl (2000), as RBs foram desenvolvidas no início dos anos 80 para facilitar a
tarefa de predição e “abdução” em sistemas de Inteligência Artificial (AI) para raciocínio com
conhecimento incerto. Atualmente, as RBs estão sendo empregadas em diversos contextos
com o objetivo de descrever e/ou quantificar as estruturas de causa e efeito entre variáveis de
interesse.
Em Engenharia de Confiabilidade, especialmente na última década, RBs têm se tornado
uma ferramenta de modelagem bastante popular e útil. Algumas aplicações nessa área
merecem ser citadas: Firmino (2004) apresenta as vantagens de direcionar uma análise de
Confiabilidade de equipamentos ou humana através de RBs através da conversão de métodos
classicamente conhecidos (árvores de Falha e árvores de Eventos) ao seu formato. Segundo
Firmino (2004), a aplicação de RBs leva a uma representação gráfica das causalidades
inerentes aos componentes do problema e proporciona um raciocínio sensato-artificial
baseado em conceitos da teoria dos grafos, probabilidade, computação e do comportamento
humano. De acordo com Pearl (2000), causalidade pode ser entendida como a condição
segundo a qual uma causa produz um efeito.
39
Santos (2005) utilizam RBs para avaliação probabilística de riscos no processo de
perfuração e completação de poços de petróleo multilaterais. Em tal trabalho, as RBs são
aplicadas com o objetivo de avaliar qualitativamente o risco associado com operações de
construção de poços multilaterais. A metodologia de avaliação probabilística de riscos a partir
de RBs surge como alternativa ao modelo convencional, o qual é baseado em árvores de
Falhas e de Eventos, as quais são casos especiais das RBs quando se assume representação
binária e independência entre as variáveis de interesse.
Menêzes (2005) propõe uma metodologia de Análise de Confiabilidade Humana (ACH)
através da utilização de RBs. Tal proposta foi realizada na tentativa de superar as limitações
dos modelos de 1ª e 2ª geração de ACH, entre as quais estão suposições irreais de
independência, dificuldade de categorização de variáveis e aplicações de técnicas
desenvolvidas para Confiabilidade de equipamentos na ACH. O modelo proposto é
sistemático e composto de três fases: coleta de informações e análise, análise qualitativa e
coleta de dados e análise quantitativa. Em Menêzes e Droguett (2007), é realizada uma
aplicação da metodologia proposta para ACH na operação de manutenção de linhas de
transmissão.
Menêzes e Droguett (2006) propõem uma metodologia para análise de Confiabilidade de
sistemas baseada no hibridismo entre árvores de falha e eventos e RBs. Em tal trabalho, a
modelagem dinâmica do sistema é tratada por Diagramas de Seqüências de Eventos (ESD).
Os eventos pivotais no ESD que estão relacionados a equipamentos serão tratados por árvores
de Falha quando os eventos são binários e a suposição de independência é possível. Já os
eventos pivotais relacionados a erros humanos são tratados por RBs. Oliveira (2006) aplica tal
modelo híbrido proposto para avaliação probabilística do risco no caso da cirurgia de
histerectomia vaginal.
Na próxima seção, serão apresentados os passos metodológicos de montagem e a estrutura
de uma Rede Bayesiana.
3.5.2. Estrutura
Basicamente, um problema pode ser modelado por uma RB quando duas perguntas devem
ser respondidas. Qual a relação de causa e efeito entre as variáveis de determinado processo?
Qual a magnitude de tais relações? As respostas são entradas de algum problema de tomada
de decisão.
40
Por exemplo, considere a Figura 3-3 na qual é ilustrada uma RB na qual a variável
aleatória experiência da equipe de manutenção condiciona os tempos de falha e reparo. Tal
RB pode ser utilizada como entrada de um problema de otimização da manutenção, por
exemplo.
Como pode ser visto na Figura 3-3, a estrutura de uma RB é constituída de nós, os quais
representam as variáveis (discretas ou contínuas), e arcos que representam conexões diretas
entre tais variáveis.
Um primeiro passo na construção de uma RB é a identificação das variáveis de interesse e
a natureza das mesmas, i.e., se são discretas ou contínuas. No presente trabalho, serão
considerados apenas valores discretos para as variáveis de interesse. Os valores dessas
variáveis deverão ser mutuamente exclusivos, significando que as mesmas não podem assumir
mais de um valor por vez em seu domínio.
O próximo passo para montagem de uma RB é a determinação das relações causais entre
as variáveis de interesse o que consiste em se determinar a topologia da RB. Dois nós serão
conectados diretamente se um causa ou afeta o outro, sendo que o sentido do arco corresponde
ao efeito.
É bastante comum em RBs se utilizar uma terminologia análoga à utilizada em estruturas
de família, i.e., um nó é pai de um nó filho, se um arco partir daquele para este. No exemplo
da Figura 3-3, a variável experiência é pai dos tempos de falha e reparo. Outra terminologia
bastante utilizada é a seguinte: qualquer nó sem pai é denominado nó de entrada, qualquer nó
sem filhos é chamado de nó de saída e qualquer nó que não é nem de entrada nem de saída é
denominado nó intermediário. No exemplo apresentado, a experiência é nó de entrada e os
tempos de falha e reparo são nós de saída, não existindo nós intermediários.
Após a identificação da estrutura topológica da RB, o próximo passo é determinar a
magnitude das relações de causalidade entre as variáveis conectadas. Isto é feito especificando
para cada nó uma distribuição de probabilidade condicional. Como se trata de variáveis
aleatórias discretas, isto consiste em determinar uma tabela de probabilidades condicionais
(TPC) para cada nó, analisando as possíveis combinações de valores dos seus nós pais.
Representando por E a experiência da equipe de manutenção e discretizando seus valores
em 10E ≤ anos ou 10E > anos, por F o tempo de falha e discretizando em 100F < horas ou
100F ≥ horas e por R o tempo de reparo e discretizando em 1R < hora ou 1R > hora, as
TPCs para cada variável estão especificadas também na Figura 3-3, na qual por exemplo
41
( 100 | 10 )P F hs E anos≥ ≤ representa a probabilidade condicional da realização do tempo de
falha ser superior ou igual a 100 horas dado que a experiência da equipe de manutenção é
inferior ou igual a 10 anos.
Tempo deFalha
Tempo deReparo
Experiência
TPC de E
( )10 0.6P E anos≤ = ( )10 0.4P Y anos> =
TPC de F E ( 100 | )P F hs E< ( 100 | )P F hs E≥
10 anos≤ 0.70 0.30
10 anos> 0.35 0.65
TPC de R E ( 1 | )P R h E< ( 1 | )P R h E≥
10 anos≤ 0.45 0.55
10 anos> 0.30 0.70
Figura 3-3 – Exemplo de Rede Bayesiana
O tamanho de um TPC de um nó é exponencial ao seu número de pais. Por exemplo, para
uma variável dicotômica, i.e., que assume valores binários, com n pais é necessário
especificar uma TPC com 12 +n probabilidades.
A montagem de uma RB exige conhecimentos de áreas distintas, porém complementares.
Barros Jr. (2006) apresenta uma metodologia de extração de conhecimento a partir de uma
base de dados e como utilizar tal conhecimento para estruturar RBs tanto qualitativa quanto
quantitativamente. Menêzes (2005) utilizam opiniões de especialistas para montar a topologia
de uma RB. Em tal trabalho, também é realizada a elicitação da opinião de especialistas para
determinação das TPCs através do método proposto em Firmino et al. (2006). Langseth e
Portinale (2007) discutem estas duas maneiras de montar RBs, i.e., a partir de dados empíricos
e/ou opiniões de especialistas.
Nota-se, portanto, que uma RB é uma representação em forma de modelo gráfico de uma
distribuição de probabilidade multivariada na qual é possível representar as relações de
causalidade entre variáveis de interesse de forma qualitativa, através da topologia, quanto de
forma quantitativa, através das TPCs.
42
3.5.3. Independência Condicional
Os exemplos e a terminologia dados em Langseth e Portinale (2007) serão utilizados para
definir os conceitos de independência condicional e d-separação.
Considere a notação |X Y Z⊥ a qual representa que dado a variável Z , as variáveis X e
Y são condicionalmente independentes. Se Z é conjunto vazio, a notação pode ser
simplificada para X Y⊥ que significa que X e Y são marginalmente independentes. O termo
|X Y Z⊥ será usado para denotar que dado a variável Z , as variáveis X e Y são
condicionalmente dependentes.
Segundo Pearl (1988), todas as declarações de independência condicional podem ser
traduzidas de uma RB usando as regras de d-separação. A idéia da d-separação pode ser
explicada pelas RBs mostradas na Figura 3-4.
( )a ( )b ( )c
Figura 3-4 – Independência condicional: (a) – série; (b) – causa comum; (c) – efeito comum.
A RB em série da Figura 3-4(a) significa que 1 3 2|X X X⊥ , mas 1 3X X⊥ marginalmente.
Por exemplo, permita 1X ser a atividade de planejamento da manutenção preventiva, 2X ser a
manutenção preventiva implementada e 3X o tempo de vida do equipamento. As declarações
de independência condicional que estão codificadas nesta RB significam que caso não se
tenha conhecimento se a manutenção preventiva foi implementada, então o planejamento da
manutenção pode informar algo sobre o tempo de vida do equipamento ( 1 3X X⊥ ).
Entretanto, se surgir uma evidência que o programa de manutenção preventiva foi
implementado, o planejamento é irrelevante para a predição do tempo de vida ( 1 3 2|X X X⊥ ).
A Figura 3-4(b) é conhecida como uma RB de causa comum e tem propriedades similares
ao primeiro caso, i.e., 1 3 2|Y Y Y⊥ , mas 1 3Y Y⊥ marginalmente. Esta RB pode modelar, por
exemplo, o nível de qualidade dos produtos de uma linha de produção. Permita 1Y ser a
qualidade do primeiro item que foi produzido nesta linha, 3Y a qualidade do segundo item e
2Y uma medida de quão bem a linha de produção opera. Suponha que 2Y não é conhecida,
43
então uma evidência sobre se 1Y é bom (ruim), torna possível realizar inferência se a
qualidade da linha 2Y é boa (ruim) e também se 3Y será bom ou ruim. Desta forma, 1 3Y Y⊥ .
Entretanto, se a qualidade da produção 2Y é conhecida, cada produto pode ser visto como
independente um do outro, 1 3 2|Y Y Y⊥ .
A Figura 3-4(c) é conhecida como uma RB de efeito comum e codifica a informação que
1Z e 3Z são marginalmente independentes, mas 1 3 2|Z Z Z⊥ . Suponha que 1Z é a qualidade de
uma linha de produção, 3Z são as condições ambientais (temperatura, umidade, pressão, etc.)
de produção e 2Z a qualidade de um produto oriundo desta linha. A priori, a qualidade da
linha de produção é independente das condições ambientais ( 1 3Z Z⊥ ). Entretanto, tão logo se
observa a qualidade 2Z do produto, pode-se fazer inferência sobre a qualidade 1Z da linha e
sobre as condições ambientais 3Z , de forma que 1 3 2|Z Z Z⊥ .
Resumindo, pode-se concluir que no caso ( )a o conhecimento sobre 2X bloqueia a
relevância de 1X para 3X , no caso (b) a falta de evidência sobre 2Y bloqueia a relevância de
1Y para 3Y e o conhecimento sobre 2Z ativa a dependência entre 1Z e 3Z . O termo bloquear
significa aqui interromper as direções de dependências.
Estas declarações de independência são propriedades das RBs e são conhecidas como d-
separação, onde d significa direção de dependência. O que se nota a partir da análise da d-
separação é que as inferências em uma RB podem ser feitas não apenas no sentido
determinados pelos arcos o que permite que tal estrutura seja uma ferramenta tanto de
diagnóstico quanto de prognóstico.
3.5.4. Cálculo das Probabilidades
Uma RB recebe tal denominação por fazer uso do Teorema de Bayes, o qual para
variáveis discretas segue como:
)(
)()|()|(
EP
APAEPEAP = Equação 3-55
onde )(AP é conhecida como a probabilidade a priori de A , i.e., antes de tomarmos
conhecimento da evidência E , )|( AEP é a probabilidade de que E seja observada se A é
realmente verdadeiro (ocorre) e é conhecida como função de verossimilhança e )|( EAP é a
probabilidade a posteriori de A, i.e., após termos obtido a nova informação representada por
E . Logo, )|( EAP representa a probabilidade atualizada sobre o evento A uma vez que
44
obtemos a informação adicional E relevante a A . Veja Martz e Waller (1982) para conceitos
básicos sobre Inferência Bayesiana.
A utilização do Teorema de Bayes permite que a crença (probabilidade) sobre alguma
variável de interesse seja atualizada a partir que novas informações (evidências) tornem-se
disponíveis.
Para o exemplo da Figura 3-3, fazendo uso direto do Teorema de Bayes, pode-se
marginalizar as probabilidades condicionais dos tempos de falha F e de reparo R através da
lei de probabilidade total, como segue:
( | ) ( ) / ( ) ( ) ( | ) ( ) ( ) ( | ) ( )E
P R E P R E P E P R E P R E P E P R P R E P E= ∩ ⇒ ∩ = ⇒ =∑ Equação 3-56
Assim, ( )1 0.45 0.6 0.3 0.4 0.39P R h< = ⋅ + ⋅ = e ( )1 0.55 0.6 0.7 0.4 0.61.P R h≥ = ⋅ + ⋅ =
( | ) ( ) / ( ) ( ) ( | ) ( ) ( ) ( | ) ( )E
P F E P F E P E P F E P F E P E P F P F E P E= ∩ ⇒ ∩ = ⇒ =∑ Equação 3-57
Assim, ( )100 0.70 0.6 0.35 0.4 0.56P F h< = ⋅ + ⋅ = e ( )100 0.3 0.6 0.65 0.4 0.44.P F h≥ = ⋅ + ⋅ =
Já a probabilidade conjunta da RB pode ser calculada através da regra da cadeia como
segue na Equação 3-58:
1 21
( ) ( , ,..., ) ( | ( )),n
n i ii
P U P X X X P X pa X=
= = ∏ Equação 3-58
onde )(UP é probabilidade conjunta para a rede e ))(|( ii XpaXP são as probabilidades
condicionais de X em relação a seus pais. A aplicação da regra da cadeia assume que os filhos
sejam independentes dado seus pais.
Aplicando a Equação 3-58 ao caso da RB na Figura 3-3, tem-se que:
( , , ) ( ) ( | ) ( | )P E F R P E P F E P R E= × × Equação 3-59
A Equação 3-59 pode ser utilizada para determinação da probabilidade conjunta da RB
para todos as possíveis combinações de valores das variáveis E , F e R . Utilizando a notação
0 10E E anos= ≤ , 1 10E E anos= > , 0 100F F hs= < , 1 100F F hs= ≥ , 0 1R R h= < e 1 1R R h= ≥ , os
valores da distribuição conjunta para o exemplo da Figura 3-3 são dados na Tabela 3-3.
Tabela 3-3 – Valores da probabilidade conjunta para a RB da Figura 3-3
( )0 0 0, , 0.189P E F R = ( )0 1 0, , 0.081P E F R = ( )0 0 1, , 0.231P E F R = ( )1 1 0, , 0.078P E F R =
( )1 0 0, , 0.042P E F R = ( )0 1 1, , 0.099P E F R = ( )1 0 1, , 0.098P E F R = ( )1 1 1, , 0.182P E F R =
45
3.5.5. Atualização do conhecimento via RBs
Por ser Bayesiana por natureza, RBs permitem que atualizações de crenças probabilísticas
sejam realizadas através do teorema de Bayes à medida que novas informações (evidências)
surjam.
Suponha, por exemplo, que o equipamento falhou e seu tempo de falha foi inferior a 100
hrs, i.e., evidenciou-se o evento 0F . Deseja-se, então, avaliar a modificação na TPC do tempo
de reparo devido à ocorrência dessa evidência. Deve-se, então, avaliar a distribuição a
posteriori do tempo de reparo a partir do teorema de Bayes, como segue:
( )( ) ( )
( ) ( ) ( ) ( )0 0 0 1 0 0
0 00 0 0 1 0 0 0 0 1 1 0 1
, , , ,| .
, , , , , , , ,
0.189 0.0420.4125
0.189 0.042 0.231 0.098
P E F R P E F RP R F
P E F R P E F R P E F R P E F R
+=
+ + +
+= =
+ + +
Equação 3-60
Note que a variável F permanece constante e igual a 0F na Equação 3-60 dado que a
mesma representa uma evidência.
Este tipo de evidência que permite a atualização de crenças probabilísticas a partir de
dados observados (empíricos) é conhecida como atualização empírica. Outro tipo de evidência
denominada subjetiva pode também ser utilizada para atualização de crenças. Neste tipo de
evidência, não se tem certeza da ocorrência de determinado evento. A atualização, por sua
vez, é realizada através de taxas, como em Menêzes e Droguett (2007).
Existem algoritmos específicos que efetuam a atualização de crenças probabilísticas em
uma RB, tais como o algoritmo de passagem de mensagem de Kim e Pearl, o algoritmo top-
down, os métodos de clusterização, entre outros, veja Korb e Nicholson (2003). O esforço
numérico necessário para efetuar os cálculos de crenças probabilísticas em RBs exige o uso de
softwares específicos que implementem um ou mais desses algoritmos, como o software BBN
desenvolvido por Firmino (2004).
Nesta seção, as RBs foram definidas, apresentadas e analisadas. Foram identificados os
passos necessários para montagem de uma RB, desde a determinação das variáveis de
interesse até a especificação de uma tabela de distribuição de probabilidade condicional para
cada uma delas. Foi mostrado também, como se calcula crenças probabilísticas a partir do
Teorema de Bayes e como se determina a probabilidade conjunta de uma RB.
46
4. MODELO NUMÉRICO PROPOSTO DE RESOLUÇÃO DAS EQUAÇÕES DO PSM
Neste capítulo, serão desenvolvidos os métodos numéricos propostos neste trabalho de
resolução das equações de probabilidades de transição intervalares para os processos semi
Markovianos Homogêneo e Não Homogêneo definidos a partir de taxas de transição. A
solução Monte Carlo também será apresentada e utilizada aqui para comparar e validar os
resultados fornecidos por tais métodos numéricos.
4.1. Solução Monte Carlo
Permita kz representar o estado ocupado pelo processo depois da k-ésima transição, kt o
instante no qual tal transição ocorre, 1, ( )
k kz zF+
⋅ a CDF condicional do tempo de permanência no
estado kz dado que o próximo estado a ser ocupado é 1kz + , kzc um contador do número de
vezes que o estado kz é visitado, 1,k kz zX
+ e
1,k kz zY+
variáveis aleatórias que representam tempos
de permanência no estado kz dado que o processo transitará para o estado 1kz + , ( )kz Tφ a
probabilidade do processo estar no estado kz no instante T e N o número de estados.
Fazendo 0, 1,...jc j N= ∀ = , uma iteração do algoritmo baseado em simulação Monte Carlo
para PSMs definidos a partir de taxas de transição pode ser escrita em forma de pseudocódigo
da seguinte maneira:
1. Faça 00, 0k t= = , 0z como estado inicial;
2. Enquanto kt T< :
a. Amostre uma variável aleatória 1 ,, ,min( ~ ( ))
k k k z jkz z z jX Y F
+= ⋅ , onde 1,...,j N∀ = e
, ( ) 0kz jF ⋅ ≠ e faça ( )x X ω= ;
b. Faça : 1k k= + , 1k kt t x−= + . Se kt T< , faça 1:k kz z += ;
3. Faça 1k kz zc c= + ;
Basicamente, o algoritmo acima descrito pode ser entendido da seguinte maneira: o
primeiro passo corresponde à configuração das condições iniciais. O tempo de permanência
em um estado kz é determinado como a mínima realização de todas as possíveis transições
que partem deste estado tendo como destino o estado 1kz + . O tempo de processo kt é
47
incrementado pelo tempo de permanência x no estado kz . Caso kt T≥ , o tempo de missão T
foi atingido e o contador kzc é incrementado da unidade, finalizando a iteração.
O procedimento descrito pode ser aplicado aos PSMs Homogêneo ou Não Homogêneo. A
diferença é que nos PSMNHs, a CDF 1, ( )
k kz zF+
⋅ depende do tempo de processo kt .
Os passos 1, 2 e 3 são repetidos por um número suficiente grande M de iterações e as
probabilidades de estado ( )j Tφ são então calculadas dividindo os valores jc por M .
O algoritmo Monte Carlo será utilizado para comparar os resultados fornecidos pelo
método numérico proposto o qual será descrito nas duas próximas seções.
4.2. Método numérico proposto para PSMHs definidos a partir de taxas de transição
Como relatado na subseção 3.3.2, dada a solução da equação 1( ) ( ) ( )
M
is I C s F s−
Φ = − , é
necessário inverter as TLs para se obter a solução na variável 0t ≥ . Dada a notória dificuldade
de realizar tal inversão de forma analítica, o objetivo da presente seção é propor um método
numérico de cálculo das probabilidades de transição intervalares dos PSMHs baseado na
aplicação de TLs. A inversão de tais transformadas será realizada através do método de
Quadratura Gaussiana de integração numérica, conhecido como Gauss Legendre.
4.2.1. Descrição do método numérico
Como visto anteriormente, a equação fundamental dos PSMHs definidos a partir de
probabilidades de transição (Equação 3-16) trata-se de uma equação integral de convolução.
Alguns métodos de resolução numérica destas equações merecem ser citados, como por
exemplo, o trabalho de Csenki (1995) o qual aplica a regra do trapézio para resolução
numérica das equações dos PSMHs definidos por probabilidades de transição. Tal método
numérico é utilizado para avaliar a Confiabilidade de um sistema semi Markoviano composto
por dois equipamentos com manutenção preventiva seqüencial.
A regra do trapézio de integração numérica assim como a regra de Simpson e a integração
de Romberg são métodos que calculam integrais através da soma de valores do integrando em
abscissas igualmente espaçadas multiplicados por pesos escolhidos. Tais métodos são bastante
laboriosos (alto custo computacional), necessitando de uma alta ordem para obter alta
exatidão.
48
Outro trabalho que merece ser citado é o de Corradi et al. (2004) os quais resolvem as
equações dos PSMs definidos por probabilidades de transição utilizando um método geral de
quadratura.
Apesar de desenvolver e apresentar a formulação matemática dos PSMs definidos a partir
de taxas de transição, Becker et al. (2000) não propõem uma metodologia de solução
numérica das equações de probabilidades de transição intervalares destes PSMs.
O método que é proposto aqui para avaliar as probabilidades de transição intervalares dos
PSMHs definidos a partir de taxas de transição (Equação 3-36) é baseado no aproveitamento
numérico da convolução existente em tal equação. A resolução da Equação 3-36 será feita
como na subseção 3.3.2, i.e., aplicando TLs e depois as invertendo para obter a solução na
variável t .
Trabalhos que têm como objetivo inverter TLs numericamente merecem ser citados:
Abate e Whitt (1992), por exemplo, desenvolvem um método baseado em séries de Fourier
para inverter numericamente TLs de funções de distribuição acumulada e funções densidade
de probabilidade. Tal método executa a inversão das TLs por meio da regra do trapézio a qual
possui as limitações já relatadas.
Valkó e Abate (2004) analisam o método de Gaver para inversão de TLs. Tal método
inverte TLs através da Equação 4-1:
( ) ( ) ( )( )0
2 2( ) 1 ( ) 1 .
kk jk
kj
k k kf t k f k k f k j
k k jτ τ τ τ
=
= − ∆ = − +
∑ Equação 4-1
Onde ln 2 / tτ = e ∆ é operador diferencial recursivo dado por:
( )( ) ( )( ) 1 .f n f n f nτ τ τ∆ = + − Equação 4-2
A seqüência de Gaver possui pelo menos duas limitações. Primeiramente, a convergência
da seqüência é logarítmica. Por exemplo, 1000 ( )f t pode fornecer uma estimativa para ( )f t com
apenas dois ou três dígitos de precisão. Através de uma análise comparativa entre métodos de
aceleração da convergência da seqüência de Gaver, constatou-se que o melhor é o algoritmo
não linear Wynn rho, veja Valkó e Abate (2004).
A outra limitação da seqüência de Gaver é que é necessária a avaliação de fatoriais de alta
ordem. É sabido que uma calculadora é capaz de calcular até o 69! utilizando o método
aproximado de Stirling. Porém, a partir daí os cálculos incorrem em erros de over-flow
(números maiores do que a precisão da máquina pode representar).
49
Uma outra forma imprecisa de inversão de TLs é dada em Abate e Valkó (2004) e em
Milovanovic e Cvetkovic (2005) por:
( )0
1( ) ( ) ( ) .
2
i
i
f t f s exp st dsi
σ
σ
σ σπ
+ ∞
− ∞
= >∫ Equação 4-3
Onde 0σ é então chamado de abscissa de convergência de ( )f s a qual representa a
solução transformada. A Equação 4-3 é denominada método de Talbot e possui uma complexa
aritmética já que envolve a avaliação da função no eixo imaginário. Tal método é baseado na
deformação do contorno padrão na integral Browmwich.
O método de inversão de TLs que será utilizado foi apresentado em Oliveira (2001) o qual
o utiliza para avaliação das probabilidades de estado de PMs Não Homogêneos com variáveis
suplementares. As TLs são aplicadas às equações diferenciais do PM e invertidas através do
método que será descrito. Em tal trabalho, são apresentados vários exemplos de aplicação de
demonstração da efetividade, vantagens e limitações do método no ambiente Markoviano.
Tal procedimento de inversão de TLs o qual é baseado em um método de Quadratura
Gaussiana, conhecido como Gauss Legendre será proposto aqui a ser utilizado no ambiente
semi Markoviano a fim de calcular numericamente as probabilidades de transição intervalares
de um PSMH.
Pela definição de TLs, tem-se que:
( )0
( ) .stf s e f t dt∞
−= ∫ Equação 4-4
Fazendo a mudança de variáveis exp( )z t= − , a Equação 4-4 torna-se:
( ) ( )1
1
0
( ln ) .sf s z f z dz−= −∫ Equação 4-5
A integral que aparece no lado direito da Equação 4-5 pode ser aproximada por uma
quadratura Gaussiana a qual envolve a avaliação ponderada da função ( )f ⋅ em abscissas
fornecidas neste caso pelo método de integração Gauss Legendre. Desta forma, tem-se que:
( ) ( )1
1
( ln ).R
sk k k
k
f s w z f z−
=
= −∑ Equação 4-6
Onde kw e kz são os pesos e abscissas, respectivamente, fornecidos pelo método de
integração de Gauss Legendre. É importante frisar que kw e kz não dependem da função ( )f ⋅
e sim somente do número R de pontos da quadratura e do intervalo de integração. Veja Press
50
et al. (2002) para maiores detalhes sobre a obtenção de kw e kz para o método Gauss
Legendre.
Segundo Press et al. (2002), ao contrário de outros métodos de integração numérica, a
idéia da Quadratura Gaussiana é fornecer a liberdade de escolher não somente os coeficientes
de ponderação, mas também a localização das abscissas nas quais a função será avaliada. Tais
abscissas não serão mais igualmente espaçadas.
Discretizando a Equação 4-6 em R valores de s , 1,2,...,s R= , origina-se um sistema de R
equações algébricas lineares com R incógnitas ( )( )ln kf z− , como segue:
[ ][ ] .A Φ = Φ Equação 4-7
Onde 1vvk k ka w z −= , Φ é a matriz das probabilidades de transição intervalares ( )lnij kzφ − e
Φ é a matriz das TLs das probabilidades de transição intervalares ( )kij sφ , com 1,...,ks R= .
Dada a solução transformada, a Equação 4-7 deve ser resolvida 2N vezes de forma a obter
( )lnij kzφ − 1,...,i N∀ = , 1,...,j N∀ = por algum método de resolução de sistemas de equações
algébricas lineares.
Porém, antes de resolver a Equação 4-7, a Equação 3-21 ( 1( ) ( ) ( )
M
is I C s F s−
Φ = − ) deve
ser resolvida R vezes de forma a obter as TLs das probabilidades de transição intervalares
( )kij sφ 1,...,s R∀ = . O número R de pontos de discretização da variável s será igual a 16 de
acordo com uma análise de sensibilidade apresentada em Oliveira et al. (1997).
O método numérico descrito dessa forma é capaz apenas de retornar as probabilidades de
transição ( )ijφ ⋅ nos pontos ln kt z= − . Porém, utilizando o resultado dado na Equação 4-8, o
procedimento descrito pode ser utilizado para obter as probabilidades ( ) , 0ij T Tφ ∀ ≥ , onde T é
o horizonte de previsão.
∫∞
−
0
)( dtatfe st ∫∞
−
=0
)(a
duufe
ta
s
=⇒=⇒=
a
dudtadtduatu
∫∞
−
=0
)(1
duufea
ta
s
=
a
sf
a
~1 Equação 4-8
51
A constante 0a > funciona como um fator de escala e será definida aqui como
1lnTa z
−= , onde 1z é o menor valor da abscissa fornecida pelo método de Gauss Legendre.
Apesar do foco deste método ser os PSMHs definidos a partir de taxas de transição, este
pode ser aplicado a PSMHs definidos a partir de probabilidades de transição com os devidos
ajustes.
Nas próximas subseções, serão apresentados e discutidos exemplos de aplicação do
método numérico proposto. Tais exemplos serão realizados afim de comparar e validar os
resultados obtidos em termos de custo computacional e de precisão em relação à solução
analítica quando a mesma for possível de ser obtida.
4.2.2. Exemplo 1
O exemplo 1 corresponde à aplicação do método numérico ao exemplo descrito e
resolvido analiticamente na subseção 3.3.1. A Figura 4-1 ilustra a comparação entre a solução
analítica e o resultado fornecido pelo método proposto para a probabilidade ( )11 tφ de
transição intervalar. Os erros cometidos em se estimar ( )11 tφ pelo método descrito são
apresentados no APÊNDICE B, sendo o máximo da ordem de 510− .
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6 7 8
Tempo (semanas)
Pro
b d
e T
ran
siçã
o
Método Proposto
Solução analítica
Figura 4-1 – Probabilidade ( )11 tφ de Transição Intervalar
Já a Figura 4-2 ilustra a adequação do método numérico para a probabilidade ( )22 tφ de
transição intervalar. Os erros cometidos em se estimar ( )22 tφ numericamente estão
52
apresentados no APÊNDICE B assim como os valores de tais probabilidades de transição. O
erro máximo cometido neste caso é da ordem de 610− .
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6 7 8
Tempo (semanas)
Pro
b d
e T
ran
siçã
o
Método Proposto
Solução Analítica
Figura 4-2 – Probabilidade ( )22 tφ de Transição Intervalar
Os valores de ( ) ( ) ( ) ( )11 12 21 22, , ,t t t tφ φ φ φ são calculados simultaneamente e o tempo de
simulação foi de 0.01 do segundo.
4.2.3. Exemplo 2
Os resultados apresentados no exemplo 1 mostram que o procedimento numérico descrito
é passível de aplicação a PSMHs descritos a partir de probabilidades de transição como na
seção 3.2. Porém, PSMHs a partir de taxas de transição são o foco do presente trabalho.
O exemplo 2 trata um PSMH com taxas constantes, cujo diagrama de estados é dado na
Figura 4-3, onde 10.01hλ −= e 10.1hµ −= . Tal PSMH corresponde a um processo
Markoviano Homogêneo, já que os tempos de permanência nos estados 1 e 2 são
exponencialmente distribuídos.
1 2
λ
µ
53
Figura 4-3 – Diagrama de estados do PSMH com taxas constantes
Tal PM possui solução analítica dada em Oliveira (2001) pela Equação 4-9 e Equação
4-10, supondo que ( )1 0 1P = e ( )2 0 0P = :
( ) ( )1
1 tP t e µ λµ λµ λ
− + = + + Equação 4-9
( ) ( )2 11 .P t P t= − Equação 4-10
Onde ( )1P t e ( )2P t são as probabilidades de estado do PM.
A Figura 4-4 ilustra os resultados fornecidos pelo método numérico proposto para PSMHs
e a solução analítica para um horizonte de previsão 1000.0t hs= . Os resultados numéricos
estão no APÊNDICE C o qual também apresenta os erros incorridos.
P1(t)
0.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0 100 200 300 400 500 600 700 800 900 1000
Tempo (hs)
Pro
b d
e T
ran
siçã
o
Método Proposto
Solução Analítica
Figura 4-4 – Comparação entre os resultados fornecidos para P1(t)
Já a Figura 4-5 ilustra os resultados fornecidos pelo método numérico proposto para
PSMHs e a solução analítica para um horizonte de previsão 1000.0t hs= . Os resultados
também estão no APÊNDICE C. O tempo de simulação para o exemplo 2 foi de 0.01seg .
54
P2(t)
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
0 100 200 300 400 500 600 700 800 900 1000
Tempo (hs)
Pro
b d
e T
ran
siçã
oMétodo Proposto
Solução Analítica
Figura 4-5 – Comparação entre os resultados fornecidos para P2(t)
O exemplo 2 mostra que os PSMs generalizam resultados obtidos para os processos
Markovianos.
4.2.4. Exemplo 3
O terceiro exemplo de PSMHs está ilustrado na Figura 4-6, onde 4 110 hλ − −= e
10.01hµ −= . O tempo de permanência no estado 1 dado que o processo irá ocupar o estado 2
em sua próxima transição segue uma distribuição Lognormal cuja PDF é dada pela Equação
4-11, onde ( )ln 2.5E T hsυ = = , ln 0.25Var T hsσ = = e T é o tempo de permanência
no estado 1.
( )12
1 1 lnexp .
22f
τ υτ
σπστ
− = − ⋅
Equação 4-11
µ
12 ( )λ τ
µ
λ
Figura 4-6 – PSMH com tempo de permanência no estado 1 seguindo uma Lognormal
55
Tal PSMH não possui solução analítica como nos exemplos 1 e 2 e devido a isso o método
proposto será comparado com a solução Monte Carlo em termos de desempenho e exatidão.
Dado que o processo encontra-se no estado 0 em 0t = e está indisponível no estado 2, a
probabilidade ( )0P t e a indisponibilidade ( )I t seguem para um horizonte de previsão de
2000.0t hs= na Figura 4-7 e Figura 4-8, respectivamente.
0.988
0.99
0.992
0.994
0.996
0.998
1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo (hs)
Pro
b d
e T
ran
siçã
o Método Proposto
Monte Carlo
Figura 4-7 – P0(t) para o exemplo 3
0
0.001
0.002
0.003
0.004
0.005
0.006
0.007
0.008
0.009
0.01
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Tempo (hs)
Ind
isp
on
ibili
dad
e
Método Proposto
Monte Carlo
Figura 4-8 – I(t) para o exemplo 3
O método proposto e a simulação Monte Carlo possuem tempos de simulação de 2.73seg
e 88.52seg , respectivamente. O APÊNDICE D contém os pontos dos gráficos da Figura 4-7 e
56
Figura 4-8, além dos valores dos erros incorridos pelo método proposto quando comparado
com a solução Monte Carlo.
Os exemplos apresentados podem ser considerados abrangentes já que o comportamento
de evolução das taxas de falha analisado (Exponencial e Lognormal3) é o que normalmente
aparece em exemplos reais. A metodologia proposta apresentou-se bastante veloz quando em
comparação com a simulação Monte Carlo e precisa em relação à solução analítica quando a
mesma foi possível de ser obtida.
Na próxima seção, será desenvolvido o método numérico proposto para a resolução das
equações dos processos semi Markovianos Não Homogêneos definidos a partir de taxas de
transição.
4.3. Método numérico proposto para PSMNHs definidos a partir de taxas de transição
A Equação 3-53 a qual descreve a função densidade do número de vezes que um estado j
é visitado para um PSMNH definido por taxas de transição pode ser escrita na forma matricial
como na Equação 4-12:
( ) ( ) ( ) ( )
( ) ( )( ) ( )
( ) ( )
1 1
11 1
1
01
, , , ,
.
, , , ,
r rN r rN
Nt
r rN
N NN
h t h t a t a t
k t t k t t
h h d
k t t k t t
τ τ τ τ
τ τ τ
τ τ τ τ
=
− −
+ ⋅ − −
∫
Equação 4-12
Onde N é o número de estados do PSMNH,
( ) ( ) ( ) ( )1 0
0 exp , ,0 , ,0tN
rj i i iji
a t l l dl t tφ λ λ=
= −
∑ ∫ Equação 4-13
e
( ) ( ) ( )0
, , exp , , , , .t
ij i ijk t t l l dl x t tτ
τ τ λ τ τ λ τ τ−
− = − + − ∫ Equação 4-14
A Equação 4-12 pode ser reescrita como:
( )
( )
( )
( )
( ) ( )
( ) ( )
( )
( )
1 1 111 1
01
, , , ,
.
, , , ,
T T TT
r r rNt
N NNrN rN rN
h t a t hk t t k t t
d
k t t k t th t a t h
ττ τ τ τ
τ
τ τ τ τ τ
− − = + ⋅ − −
∫
Equação 4-15
3 Resultados semelhantes podem também ser derivados para outras distribuições de probabilidade, como a Weibull.
57
Onde o símbolo T representa a matriz Transposta. Segue então que:
( ) ( ) ( ) ( )0
, , .t
T T T TH t A t K t t H dτ τ τ τ = + − ⋅ ∫ Equação 4-16
Aplicando transformadas de Laplace à Equação 4-16:
( ) ( ) ( ) ( )*T T T T
H s A s K s H s = + Equação 4-17
A Equação 4-17 pode ser escrita como:
( ) ( ) ( ) .T T T
I K s H s A s − ⋅ = Equação 4-18
Ou
( ) ( ) ( )1
.T T T
H s I K s A s−
= − ⋅ Equação 4-19
A Equação 4-19 deve ser resolvida para 1,...,s R= por algum método numérico de
resolução de sistemas de equações algébricas lineares. As raízes da Equação 4-19 são os
valores de ( ) , 1,..., ; 1,...,rjh s j N s R∀ = ∀ = .
Aplicando TLs à Equação 3-54 a qual determina as probabilidades de transição
intervalares para um PSMNH definido por taxas de transição, tem-se que:
( ) ( ) ( ) ( ) ( )0 * .j rj jj s v s h s v sφ φ= ⋅ + Equação 4-20
Onde ( )jv s é a TL do termo ( )0
exp , ,t
j l l dlτ
λ τ τ−
− + ∫ . A Equação 4-20 deve ser resolvida
1,...,j N∀ = e 1,...,s R∀ = utilizando os valores ( )rjh s obtidos da Equação 4-19. Os valores
( )j sφ representam a solução de tal equação.
Após a resolução da Equação 4-20, a solução ( )j sφ deve ser invertida conforme método
descrito na seção 4.2 a fim de obter a solução ( )j tφ , 0t∀ ≥ . A Equação 4-20 deve ser
resolvida N vezes afim de se obter ( ) , 1,...,j t j Nφ ∀ = .
Conforme relatado na seção 4.2, o número R de pontos que a variável transformada s
deve ser discretizada é igual a 16. Porém, para o caso Não Homogêneo o número de pontos de
discretização pode ser incrementado através da relação dada pela Equação 4-21 a qual
apresenta a TL da função ( )f K at+ , onde 0K > e 0a > .
58
0
( )ste f K at dt∞
− +∫ ( )
( )s
u Ka
K
due f u
a
∞− − = ∫
u K duu K at t du adt dt
a a
− = + ⇒ = ⇒ = ⇒ =
( )
0 0
exp( ) ( )
Ks su u
a a
sKa e f u du e f u du
a
∞− −
= − ∫ ∫
( ) ~
0
exp( )
K su
a
sKsa f e f u du
a a
− = −
∫
Equação 4-21
As quantidades 0K > e 0a > representam o tempo acumulado de operação do sistema e
uma constante de escala, respectivamente. Tal constante de escala será a mesma utilizada na
seção 4.2.
4.3.1. Exemplo 4
Um exemplo de PSMNH está ilustrado na Figura 4-9, onde 10.001hλ −= e 10.01hµ −= . O
tempo de permanência no estado 2 dado que o processo irá ocupar o estado 3 segue uma
distribuição Lognormal cuja PDF é dada pela Equação 4-22.
( )( )
( )( )
ln1 1exp .
22ikt
tf
tt
τ µτ
σπτσ
−= − ⋅
Equação 4-22
Onde ( ) ( )( ) lnt E T tµ = , ( ) ( ) lnt Var T tσ = e ( )T t é o tempo de permanência no
estado 2 o qual varia linearmente com o tempo de processo entre os valores de 20 e 2hs no
intervalo das primeiras 14 semanas permanecendo constante para 14t > semanas, sendo o
valor do desvio padrão ( )tσ igual a 10% do valor médio ( )tµ .
A Figura 4-9 ilustra tal PSMNH, sendo que a transição ondulada indica a dependência da
taxa de transição ( )23tλ ⋅ em relação ao tempo t global de processo.
λ
µµ
23 ( )tλ τ
Figura 4-9 – PSMNH com tempo de permanência no estado 2 seguindo uma Lognormal
Tal PSMNH não possui solução analítica e devido a isso o método proposto será
comparado com a solução Monte Carlo em termos de desempenho e exatidão.
59
Dado que o processo encontra-se no estado 1 em 0t = e torna-se indisponível no estado 3,
a indisponibilidade para um horizonte de previsão de 500.0t hs= é dada na Figura 4-10.
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0 50 100 150 200 250 300 350 400 450 500
Tempo (h)
Ind
isp
on
ibili
dad
e
Método Proposto
Monte Carlo
Figura 4-10 – I(t) para o exemplo 4
O método proposto e a simulação Monte Carlo possuem tempos de simulação de 4.5seg e
90.36seg , respectivamente. O APÊNDICE E contém os pontos do gráfico da Figura 4-10,
além dos valores da disponibilidade e dos erros relativos cometidos em aproximar a solução
Monte Carlo da equação dos PSMNHs pelo método proposto.
É válido comentar o comportamento dos gráficos da Figura 4-8 e Figura 4-10. Nota-se
nestes casos que os métodos numéricos propostos incluem o traçado de uma curva que ajusta
os pontos fornecidos pela simulação Monte Carlo. Esta pode ser uma característica bastante
benéfica já que as probabilidades de transição de um PSM podem ser ajustadas por uma curva
de complexidade matemática inferior às equações de probabilidade de transição e dependendo
de qual método escolhido ficar muito próxima da curva correta.
Entretanto, este não é o foco do presente trabalho e devido a isso os valores das
probabilidades que serão utilizados no modelo híbrido proposto (PSM e RB) serão fornecidos
pelos métodos numéricos descritos nesta seção e na anterior.
60
O presente exemplo pode ser considerado abrangente já que o comportamento de evolução
das taxas de transição analisado (Exponencial e Lognormal4) é o que normalmente aparece em
exemplos reais.
O método proposto para resolução das equações dos PSMHs e PSMNHs foi executado
para os exemplos em ambiente Microsoft Windows Professional XP versão 2002 em um
computador AMD Athlon (TM) XP 2200+ 1.36GHz, 256MB de memória RAM.
4 Resultados semelhantes podem também ser derivados para outras distribuições de probabilidade, como a Weibull.
61
5. MODELO HÍBRIDO PROPOSTO
O objetivo do presente capítulo é apresentar como será realizada a integração entre
processos semi Markovianos e Redes Bayesianas. Além disso, serão apresentados dois
possíveis exemplos de aplicação da metodologia proposta a sistemas complexos tolerantes à
falha de distinta natureza tanto física quanto funcional.
5.1. Integração: semi Markov X Redes Bayesianas
O objetivo geral do presente trabalho é o desenvolvimento de uma metodologia que
represente de forma mais realística sistemas complexos através do hibridismo entre processos
semi Markovianos e Redes Bayesianas. Tais sistemas alvo possuem uma característica básica:
estão sujeitos a um processo estocástico de falha e reparo no qual o tempo de permanência em
determinado estado influencia as probabilidades de transição. Além disso, fatores (ambientais,
operacionais, fisiológicos, psicológicos, etc.) não necessariamente temporais também
condicionam o comportamento futuro do sistema.
A metodologia híbrida proposta generaliza resultados já encontrados para os processos
Markovianos, já que os PSMs são uma extensão daqueles. O modelo proposto será
apresentado através de exemplos de aplicação fictícios os quais serão discutidos nas seções
5.3 e 5.4. Mas, antes disso na presente seção descreve-se como será realizado o hibridismo em
termos numéricos entre PSMs e RBs o qual ocorre em tempo de simulação.
Então, considere um sistema para o qual o comportamento futuro é influenciado pelos
conjuntos de variáveis temporais t e não temporais c . O conjunto t pode ser formado aqui
pelas variáveis tempo de permanência e/ou tempo de processo e sua influência sobre o
comportamento do sistema será modelada pelos processos semi Markovianos.
Já o conjunto c de variáveis não temporais pode ser composto por fatores de naturezas
distintas, como por exemplo, variáveis físicas, químicas, condições operacionais,
comportamentais, fatores humanos psicológicos e/ou fisiológicos, etc. De uma forma geral,
esses fatores possuem relações de causa e efeito entre si e serão considerados nesse trabalho
com domínios finitos e discretos. Essas relações causais podem ser representadas por
distribuições conjuntas de probabilidade. No modelo aqui proposto, tais distribuições
conjuntas serão expressas por Redes Bayesianas de forma que a influência dos fatores sobre o
comportamento do sistema possa ser analisada.
A junção do conhecimento sobre os conjuntos t e c origina um modelo estocástico
híbrido o qual é capaz de representar a incerteza sobre a dinamicidade do sistema assim como
62
tratar como outras variáveis não necessariamente temporais, as quais possuem relações de
causa e efeito entre si, influenciam tal evolução. Além disso, através da utilização das Redes
Bayesianas é possível calibrar o conhecimento sobre o sistema com eventos operacionais
atuais realizando inferências empíricas e/ou subjetivas.
Basicamente, a integração entre PSMs e RBs ocorre da seguinte maneira:
Marginalizam-se as distribuições conjuntas de probabilidade, como foi feito na
Equação 3-56 e Equação 3-57, para cada nó (variável) de saída das Redes Bayesianas.
No modelo proposto, tais nós sempre representam parâmetros das funções das taxas de
transição (falha ou reparo) e são tratados como variáveis aleatórias discretas;
Após esta etapa, os parâmetros das taxas de transição do processo são amostrados a
partir do método de inversão de variáveis aleatórias discretas, o qual segue na forma
de pseudocódigo:
a. Gere um número aleatório ]1,0[∈U ;
b. Se 0pU < , faça 0xX = e pare;
c. Se 10 ppU +< , faça 1xX = e pare;
d. Se 210 pppU ++< , faça 2xX = e pare.
...................................................................
onde ixX = corresponde à variável aleatória discreta, no caso parâmetros das funções
das taxas de transição, ii xXPp == e ii
i Fp =∑ é a função de distribuição
acumulada da variável ix . Para maiores detalhes sobre o método de inversão de
variáveis aleatórias, veja Ross (2002);
Após a amostragem destes parâmetros, o simulador executa o método numérico
descrito na seção 4.2 caso o processo semi Markoviano seja Homogêneo ou o método
numérico da seção 4.3 caso se trate de um processo Não Homogêneo;
O procedimento descrito é repetido por um número N de iterações a fim de se avaliar a
influência da incerteza dada pelas Redes Bayesianas sobre as probabilidades de transição do
processo semi Markoviano.
A Figura 5-1 ilustra em fluxograma o procedimento e mostra que é necessário a
especificação de um horizonte de missão (período de interesse de observação do sistema) e do
número de iterações (amostras) para execução do modelo.
63
Selecione o horizonte demissão
Selecione o número deiterações, n
Para i = 1 até n
Marginalizam - se asdistribuições dos nós de
saída das RedesBayesianas
Selecionam - se osparâmetros das taxas detransição do processo a
partir do método deinversão
Tipo de Processo semiMarkoviano
Início
HOMOGÊNEO NÃO HOMOGÊNEO
Figura 5-1 – Fluxograma descrevendo o algoritmo de integração entre Processos semi Markovianos e
Redes Bayesianas
Vale frisar aqui que o hibridismo entre os PSMs e as RBs é realizado através de uma
interface representada pelos parâmetros de funções das taxas de transição os quais também
serão considerados com domínio finito e discreto. Tais parâmetros serão nós de saída das RBs
e informação de entrada para execução do método numérico proposto no capítulo 4 para os
PSMs definidos a partir de taxas de transição. À medida que novas evidências tornam-se
disponíveis, as distribuições de probabilidade destes parâmetros assim como o nível de
conhecimento sobre o comportamento do sistema podem ser atualizados.
Na próxima seção, serão apresentados os sistemas tolerantes à falha.
5.2. Sistemas tolerantes à falha
A maioria dos modelos probabilísticos de tratamento da (In)Disponibilidade,
Confiabilidade e Manutenibilidade operacional de sistemas complexos reparáveis parte da
premissa que a falha de um componente imediatamente acarreta a falha do sistema. No
entanto, em alguns sistemas produtivos atuais a falha de um equipamento transforma-se em
falha do sistema somente se o tempo de reparo exceder um determinado tempo T , o qual é
64
conhecido como tempo fora de serviço tolerável. Os sistemas que possuem esta característica
são denominados tolerantes à falha.
Vaurio (1997) apresenta alguns exemplos de sistemas tolerantes à falha e desenvolve
resultados para as características de Confiabilidade do sistema em termos das correspondentes
características do equipamento. Entretanto, não apresenta nenhum resultado no que diz
respeito a evolução temporal de indicadores de Confiabilidade destes sistemas.
Os PSMs desenvolvidos em Becker et al. (2000) são muito atrativos para tratamento de
sistemas tolerantes à falha. No caso no qual as funções densidade dos tempos de permanência
em dado estado possuem parâmetros os quais são efeito de outras variáveis aleatórias, uma
Rede Bayesiana será acoplada com o intuito de tratar a incerteza associada a essa relação de
causalidade.
Nas próximas seções, exemplos de possíveis aplicações do modelo híbrido proposto serão
apresentados a sistemas tolerantes à falha. Para tais exemplos, será demonstrado
detalhadamente o algoritmo descrito na seção anterior.
5.3. Exemplo 1: Sistema de resfriamento
5.3.1. Descrição do problema
Considere um sistema de resfriamento de um pequeno frigorífico composto de apenas um
equipamento. Tal sistema possui um tempo tolerável fora de serviço (TDT), já que se o reparo
for realizado rapidamente caso o equipamento falhe, os danos aos produtos não serão
palpáveis. Já se o reparo demorar a ser realizado, ou o dono do estabelecimento ou a empresa
responsável pela operação, manutenção e reparo do equipamento arcarão com o prejuízo a
depender de cláusulas contratuais.
Assim, quando o equipamento encontra-se falho, o que corresponde ao estado 2 na Figura
5-2, um relógio local é iniciado e caso o tempo nesse estado for maior que o tolerável, tal
situação implicará em indisponibilidade do sistema e consequentemente em prejuízos
financeiros, o que corresponde ao estado 3. Em outras palavras, a taxa de transição do estado
2 para o estado 3 depende de quanto tempo o equipamento permanece falho no estado 2 o qual
segue uma distribuição Lognormal cuja PDF é dada pela Equação 5-1:
( )23
1 1 lnexp ,
22f
τ υτ
σπτσ
− = − ⋅
Equação 5-1
onde ( )lnE Tυ = , lnVar Tσ = e T é o TDT.
65
Já que no sistema a ser modelado, as transições entre estados dependem do tempo gasto
desde a última transição e não do tempo de processo um processo semi Markoviano
Homogêneo surge como uma opção para modelagem deste sistema. Surge, então, uma
indagação: quais fatores influenciam (condicionam) os parâmetros das taxas de falha e reparo
desse processo semi Markoviano?
Geralmente, esses fatores possuem uma relação de causa e efeito entre si. Essas relações
causais entre os fatores e os parâmetros das taxas de transição (falha e reparo) podem ser
representadas por distribuições conjuntas de probabilidade. No modelo aqui proposto, tais
distribuições conjuntas serão expressas por Redes Bayesianas. Ou seja, considera-se que os
parâmetros das taxas de falha e reparo são incertos, sendo o domínio da incerteza expresso por
distribuições de probabilidade. Conforme relatado na seção 5.1, será considerado que tanto os
fatores quanto os parâmetros das taxas de transição possuem domínios finitos e discretos.
Tem-se, portanto, que o sistema de resfriamento do frigorífico será modelado através de
um modelo híbrido entre um processo semi Markoviano Homogêneo e Redes Bayesianas,
como na Figura 5-2 na qual fλ e fµ são as distribuições marginais de probabilidade dos
parâmetros λ e µ , respectivamente.
λ
µ
fλ
fµ
23fλ
fµ
Taxa de F alha
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
1.00E-04 1.00E-03 5.00E-03 1.00E-02
T axa d e R eparo
0
0.1
0.2
0.3
0.4
0.5
2.00E-01 7.00E-02 3.00E-02
Figura 5-2 – Modelo Híbrido: Processo semi Markoviano Homogêneo e Redes Bayesianas para o
sistema de resfriamento do frigorífico
66
5.3.2. Dados para o exemplo
Na Figura 5-2, é considerado que o parâmetro λ (taxa de falha do equipamento) é
condicionado por dois fatores X e Y , os quais são a “qualidade dos componentes” e a
“qualidade do reparo”, respectivamente. Como mencionado anteriormente, os fatores externos
são aleatórios e discretos com domínios finitos. Assim, o fator X pode ter o conjunto de
valores novos (N), semi-novos (S), desgastados (D), enquanto que para o fator Y pode ter-
se apropriada (A), não apropriada (N).
O parâmetro λ também deve ser discretizado em valores entre um limite inferior e
superior que podem ser oriundos de uma análise de dados de campo e/ou opinião de
especialistas. Para o referente caso, considera-se o conjunto 4 3 3 210 ,10 ,5 10 ,10− − − −⋅ [falha/h]
para a variável λ . Esta etapa corresponde à primeira fase de montagem de uma Rede
Bayesiana, na qual se determinam os nós (variáveis) de interesse e seus possíveis valores.
Após determinada a estrutura de causa e efeito que está representada pela RB na parte
superior da Figura 5-2, prossegue-se a montagem da RB determinando-se agora uma tabela de
distribuição de probabilidades condicionais para cada variável de interesse. Esta etapa pode
ser realizada a partir da análise de dados de campo e/ou opinião de especialistas.
Seguem abaixo as tabelas de distribuições de probabilidade condicionais para as variáveis
X , Y e λ :
Tabela 5-1– TPC para a variável X
X ( )P X x= Novo (N) 0.3 Semi-Novo (S) 0.5 Desgastado (D) 0.2
Tabela 5-2 – TPC para a variável Y
Y ( )P Y y= Apropriada (A) 0.8 Não Apropriada (N) 0.2
Tabela 5-3 – TPC para a variável λ
X N S D Y A N A N A N
4( 10 | , )P X Yλ −= 0.3 0.3 0.2 0.1 0.0 0.0 3( 10 | , )P X Yλ −= 0.5 0.4 0.3 0.2 0.2 0.0
3( 5 10 | , )P X Yλ −= ⋅ 0.1 0.2 0.4 0.5 0.5 0.6 2( 10 | , )P X Yλ −= 0.1 0.1 0.1 0.2 0.3 0.4
67
Neste exemplo, considera-se que o parâmetro µ (taxa de reparo do equipamento) é
constante. Esta é uma suposição que geralmente não se verifica na prática, já que a taxa de
reparo pode variar em função de um conjunto de fatores ainda maior que o daqueles que
afetam a taxa de falha, um dos quais seria o período decorrido desde a ocorrência da última
falha. Porém, considera-se a taxa de reparo incerta e dependente de fatores externos, o que
está representado na RB na parte inferior da Figura 5-2.
Nesta rede, a variável aleatória W corresponde ao “turno em que a falha ocorre” e possui
domínio manhã (M), tarde (T), noite (N). A variável aleatória Z representa a “prioridade
do sistema quanto à disponibilidade de recursos (material e humano) de manutenção” e possui
o seguinte domínio: alta (A), baixa (B). Além das variáveis W e Z condicionarem
diretamente o parâmetro µ , as mesmas possuem uma relação de causa e efeito entre si.
A partir de dados de campo e da experiência operacional e de manutenção com o sistema
em análise, pode-se também discretizar o domínio da taxa de reparo. Para efeitos ilustrativos,
considere que a taxa de reparo µ tem o seguinte domínio: 0.2, 0.07, 0.03 [reparo/h].
O mesmo procedimento de determinação das tabelas de distribuições de probabilidades
condicionais que fora realizado para λ deve ser realizado para o parâmetro µ . Desta forma,
tem-se que:
Tabela 5-4 – TPC da variável W
W ( )P W w= Manhã (M) 0.5 Tarde (T) 0.3 Noite (N) 0.2
Tabela 5-5 – TPC da variável Z
W M T N ( | )P Z A W= 0.7 0.6 0.5 ( | )P Z B W= 0.3 0.4 0.5
Tabela 5-6 – TPC da variável µ
Z A B W M T N M T N
( 0.2 | , )P Z Wµ = 0.5 0.4 0.4 0.2 0.3 0.1
( 0.07 | , )P Z Wµ = 0.3 0.45 0.4 0.5 0.4 0.4 ( 0.03 | , )P Z Wµ = 0.2 0.15 0.2 0.3 0.3 0.5
68
Já o parâmetro υ que representa o valor esperado do logaritmo do tempo de espera no
estado 2 dado que o sistema irá para o estado 3 foi considerado constante e igual a 2.5hs . O
desvio padrão σ foi considerado igual a 0.25hs .
Para configurar completamente o modelo híbrido resta especificar o vetor de
probabilidades iniciais. Considerando que o sistema encontra-se operacional (estado 1) no
início da análise, tem-se que: 1(0) 1.0P = , 2 (0) 0.0P = e 3(0) 0.0P = . Agora, portanto, o
modelo híbrido pode ser executado afim de se determinar as probabilidades de estado ( )iP t ,
com i = 1, 2 e 3. Desta maneira, os indicadores (Confiabilidade, Manutenibilidade e
Disponibilidade) instantâneos do sistema podem ser calculados.
5.3.3. Análise de Resultados
O objetivo deste exemplo é avaliar indicadores de desempenho de Confiabilidade do
sistema descrito para um horizonte de previsão 500.0t hs= . O procedimento da Figura 5-1
que descreve o modelo híbrido proposto será repetido por um número 10000N = iterações de
forma a obter a incerteza dada pelas Redes Bayesianas sobre tais indicadores.
5.3.3.1. Distribuições marginais
Utilizando os resultados descritos na subseção 3.5.4, as distribuições marginais de
probabilidade fλ e fµ dos parâmetros λ e µ são dadas na Tabela 5-7 e Tabela 5-8,
respectivamente.
Tabela 5-7 – Distribuição marginal de probabilidade da variável λ em 1h−
( )1hλ − ( )P λΛ = 410− 0.18 310− 0.316
35 10−⋅ 0.35 210− 0.154
Tabela 5-8 – Distribuição marginal de probabilidade da variável µ em 1h−
( )1hµ − ( )P µΨ =
0.2 0.18 0.07 0.316 0.03 0.35
69
5.3.3.2. Disponibilidade Operacional
A Figura 5-3 ilustra os percentis de 5%, 50% e 95% calculados através do modelo híbrido
proposto para o indicador disponibilidade operacional. Cada um dos percentis corresponde à
probabilidade do valor real da disponibilidade ser inferior ao valor calculado.
A incerteza dada pelos percentis representa a incerteza sobre os parâmetros λ e µ os
quais foram dados por RBs. A evolução temporal da disponibilidade foi calculada a partir do
procedimento numérico descrito na seção 4.2 para PSMHs.
0.9
0.91
0.92
0.93
0.94
0.95
0.96
0.97
0.98
0.99
1
0 50 100 150 200 250 300 350 400 450 500
Tempo (hs)
Dis
po
nib
ilid
ade
P_05(t)
P_50(t)
P_95(t)
Figura 5-3 – Disponibilidade Operacional para o sistema de resfriamento
O tempo médio de simulação de cada iteração foi de aproximadamente 4.79 seg. Os
valores calculados estão no APÊNDICE F.
5.3.3.3. Confiabilidade
O indicador Confiabilidade é calculado como na seção 2.14 assumindo que o estado 3
(sistema indisponível) é um estado absorvente. A partir desta suposição, o PSMH dado na
Figura 5-2 não é mais um processo irredutível, i.e., cada estado do sistema não é mais
atingível a partir de qualquer outro estado direta ou indiretamente.
A Figura 5-4 apresenta os percentis de 5%, 50% e 95% calculados através do modelo
híbrido proposto para o indicador Confiabilidade.
70
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 50 100 150 200 250 300 350 400 450 500
Tempo (hs)
Co
nfi
abili
dad
e
P_05(t)
P_50(t)
P_95(t)
Figura 5-4 – Confiabilidade para o sistema de resfriamento
O tempo médio de simulação de cada iteração foi de aproximadamente 4.20 seg. Os
valores calculados estão no APÊNDICE F.
5.3.3.4. Manutenibilidade
O indicador Manutenibilidade é calculado como na seção 2.15 considerando que em 0t =
o sistema encontra-se no estado 3 e assumindo que os estados 1 e 2 (sistema disponível) são
estados absorventes. A partir desta última suposição, o PSMH dado na Figura 5-2 também não
é mais um processo irredutível.
A Figura 5-5 apresenta os percentis de 5%, 50% e 95% calculados através do modelo
híbrido proposto para o indicador Manutenibilidade.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 50 100 150 200 250 300 350 400 450 500
Tempo (hs)
Man
ute
nib
ilid
ade
P_05(t)
P_50(t)
P_95(t)
71
Figura 5-5 – Manutenibilidade para o sistema de resfriamento
O tempo médio de simulação de cada iteração foi de aproximadamente 0.05 seg. Os
valores calculados estão no APÊNDICE F.
5.4. Exemplo 2: Sistema de aquecimento
O segundo exemplo de aplicação é uma versão modificada do estudo de caso apresentado
em Becker et al. (2000). Entretanto, ao contrário do trabalho original, o presente exemplo é
construído de forma a modelar explicitamente a influência de fatores externos sobre a
evolução dos indicadores de desempenho de Confiabilidade através do hibridismo entre PSMs
e RBs.
Além disso, o presente exemplo mostra como é possível realizar atualizações do
conhecimento sobre o comportamento do sistema à medida que novas informações sobre tais
fatores tornam-se disponíveis.
5.4.1. Descrição do problema
O exemplo é usado para descrever o comportamento de um sistema de aquecimento
constituído de dois equipamentos. Uma rede de aquecimento possui um TDT, já que se o
reparo ocorre rapidamente os usuários nem mesmo notarão uma interrupção do serviço.
Porém, se o reparo demorar a ser executado a temperatura das casas cairá e os usuários no
mínimo ficarão insatisfeitos.
Neste caso, o TDT é uma variável aleatória e dependerá da temperatura ambiente. Pode-
se, por exemplo, ajustar uma curva de regressão ao tempo fora de serviço tolerável como uma
função das médias da temperatura ambiente ao longo do tempo.
Na Figura 5-6, é apresentada a estrutura gráfica do sistema em questão a qual está dividida
em três fases cada uma representando um período de aquecimento como na Tabela 5-9. A
mudança de fase é assumida ocorrer em instantes de tempo pré-determinados, sendo indicadas
na Figura 5-6 por linhas tracejadas. Foram designados dez estados conforme Tabela 5-10.
Tabela 5-9 – Fases do período de aquecimento
Fase Estados Duração (Horas) Descrição 1 1, 2, 3 336.0 Início do período de aquecimento; Equipamento
2 em manutenção; 2 4, 5, 6 336.0 Como acima, mas unidade 1 em manutenção; 3 7, 8, 9, 10 672.0 Ambos equipamentos em serviço, mas apenas
um é exigido;
72
Na primeira fase (estados 1, 2 e 3) apenas o equipamento 1 estará operando, estando o
equipamento 2 em manutenção preventiva. Na fase 2 (estados 4, 5 e 6), o equipamento 2 está
operando e o equipamento 1 em manutenção preventiva. Na fase 3 (estados 7, 8, 9 e 10),
ambos os equipamentos estão disponíveis, porém apenas um é requerido.
Tabela 5-10 – Lista de estados do sistema de aquecimento
Estados Fase Descrição 1 1 Equipamento 1 operando; 2 1 Equipamento 1 falho, mas TDT ainda não excedeu; 3 1 Como acima, mas TDT excedeu; 4 2 Equipamento 2 operando; 5 2 Equipamento 2 falho, mas TDT ainda não excedeu; 6 2 Como acima, mas TDT excedeu; 7 3 Ambos equipamentos operando; 8 3 Um equipamento operando, o outro falho; 9 3 Ambos equipamentos falhos, TDT ainda não excedeu; 10 3 Como acima, mas TDT excedeu;
Na Figura 5-6, os estados 2, 5 e 9 representam a falha do sistema, onde o TDT ainda não
foi excedido. Se o tempo tolerável for excedido, o sistema torna-se indisponível (estados 3, 6
e 10) o que é representado pelas linhas onduladas. As linhas sólidas correspondem a transições
entre estados, onde i
fλ e i
fµ representam as distribuições de probabilidade dos parâmetros λ
e µ na fase i , com 1,2,3i = .
73
Figura 5-6 – Representação dos estados do PSMNH para a rede de aquecimento
5.4.2. Dados para o exemplo
As durações de cada fase estão de acordo com a Tabela 5-9 correspondendo a um total de
2016.0 hs. O TDT é uma variável aleatória que tem uma distribuição Lognormal dada na
Equação 5-2:
( )( )
( )( )
ln1 1exp ,
22ikt
tf
tt
τ µτ
σπτσ
−= − ⋅
Equação 5-2
onde t é o tempo de processo, ( ) ( )( ) lnt E T tµ = , ( ) ( ) lnt Var T tσ = e ( )T ⋅ é o TDT.
O valor médio ( )E T t do TDT decrementa linearmente entre os valores de 20 e 2hs no
intervalo das primeiras 14 semanas permanecendo constante para 14t > semanas, como
ilustrado na Figura 5-7. Estes valores correspondem, como no trabalho original, a
temperaturas ambientais entre 10+ e 15ºC− . O valor do desvio padrão ( )tσ foi configurado
igual a 10% do valor médio ( )tµ .
74
0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
18.0
20.0
0.0 500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0
Tempo de Processo (Hs)
Val
or
Méd
io d
o T
DT
(H
s)
Figura 5-7 – Variação do valor médio ( )E T t do TDT em função do Tempo de Processo
Portanto, ao contrário do que ocorre no primeiro exemplo de aplicação, o TDT agora varia
com o tempo de processo, fazendo com que o processo semi Markoviano Não Homogêneo
possa ser utilizado para modelar o comportamento dinâmico de tal sistema.
Visto que o TDT varia com o tempo de processo, é bastante útil implementar o método de
densidade de freqüência desenvolvido por Becker et al. (2000) para PSMNHs definidos a
partir de taxas de transição cujo método numérico de resolução é proposto e discutido neste
trabalho na seção 4.3.
Porém, além do tempo de processo e do tempo de permanência em determinado estado,
existem outras variáveis (fatores) que influenciam o comportamento dos indicadores de
Confiabilidade ao longo do tempo. Estes fatores, os quais serão dados por redes Bayesianas,
condicionam parâmetros das funções das taxas de transição do processo semi Markoviano não
Homogêneo.
Na Figura 5-6, os parâmetros λ e µ os quais representam taxa de falha e reparo do
equipamento, respectivamente são incertos e condicionados por determinados fatores. Será
considerado aqui que os fatores que influenciam λ e µ são os mesmos do exemplo da seção
5.3. Porém, será permitido que a distribuição de probabilidades condicionais seja modificada
ao longo das fases, conforme Figura 5-8.
75
1λ
1µ
2λ
2µ
θ
3λ
3µ
θ
Figura 5-8 – Rede Bayesiana Dinâmica para os parâmetros iλ e iµ , com 1,2,3i =
A Figura 5-8 é uma RB dinâmica que representa a topologia entre as variáveis
condicionantes e os parâmetros iλ e iµ , com 1,2,3i = . Uma RB dinâmica representa o
comportamento das variáveis de interesse de determinado processo e suas respectivas relações
de causa e efeito ao longo do tempo.
A variável θ corresponde a um processo estocástico desconhecido o qual é responsável
pela modificação dos valores dos parâmetros λ e µ ao longo das fases. Segundo Kao et al.
(2005), θ é definida como uma variável não contemporânea já que representa causalidades
entre variáveis de diferentes fases.
As tabelas de probabilidades condicionais e marginais correspondentes a cada fase para os
parâmetros λ e µ estão ilustradas nos APÊNDICES G e H. Foi considerado que as TPCs das
fases 1 e 2 são exatamente as mesmas já que tais fases possuem características bastante
semelhantes.
Medidas de desempenho bastante relevantes para este sistema são a Confiabilidade, a
Manutenibilidade e a Indisponibilidade Operacional. Tais indicadores de desempenho serão
avaliados na próxima seção.
5.4.3. Análise de resultados
O objetivo deste exemplo é avaliar indicadores de desempenho de Confiabilidade do
sistema descrito para um horizonte de previsão 1344.0t hs= . O procedimento da Figura 5-1
que descreve o modelo híbrido proposto será repetido por um número 10000N = iterações de
forma a obter a incerteza dada pelas Redes Bayesianas sobre tais indicadores.
76
5.4.3.1. Indisponibilidade
A indisponibilidade do sistema pode ser ocasionada se o tempo fora de serviço exceder
um intervalo decorrido tolerável o que pode ocorrer em qualquer uma das fases. De acordo
com isto, a indisponibilidade operacional pode ser analisada conforme segue na Figura 5-9.
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
0 200 400 600 800 1000 1200
Tempo (hs)
Ind
isp
on
ibili
dad
e
P_05(t)
P_50(t)
P_95(t)
Figura 5-9 - Indisponibilidade operacional ocasionada se o TDT exceder
A figura acima ilustra os percentis de 5%, 50% e 95% calculados através do modelo
híbrido proposto para o indicador indisponibilidade operacional ocasionada se o TDT exceder.
A incerteza dada pelos percentis representa a incerteza sobre os parâmetros do modelo os
quais foram dados por RBs. A evolução temporal da indisponibilidade foi calculada a partir
do procedimento numérico proposto e descrito na seção 4.3 para PSMNHs.
O tempo médio de simulação de cada iteração foi de aproximadamente 13.22 seg. Os
valores calculados estão no APÊNDICE I.
5.4.3.2. Confiabilidade
O indicador Confiabilidade é calculado como na seção 2.14 assumindo que os estados 3, 6
e 10 (sistema indisponível) são estados absorventes. A partir desta suposição, o PSMNH dado
na Figura 5-6 não é mais um processo irredutível, i.e., cada estado do sistema não é mais
atingível a partir de qualquer outro estado direta ou indiretamente.
A Confiabilidade do sistema será calculada considerando que o sistema pode vir a falhar
se o TDT exceder pela primeira vez dentro do tempo de missão considerado. Além disso, é
considerado aqui que o sistema sempre está operacional nos instantes de mudança de fase. A
77
figura abaixo apresenta os percentis de 5%, 50% e 95% calculados através do modelo híbrido
proposto para o indicador Confiabilidade.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 200 400 600 800 1000 1200
Tempo (hs)
Co
nfi
abili
dad
e
P_05(t)
P_50(t)
P_95(t)
Figura 5-10 – Confiabilidade assumindo que a primeira falha do sistema ocorre se o TDT exceder
O tempo médio de simulação de cada iteração foi de aproximadamente 13.01 seg. Os
valores calculados estão no APÊNDICE I.
5.4.3.3. Manutenibilidade
O indicador Manutenibilidade é calculado como na seção 2.15 considerando que nos
instantes de mudança de fase o sistema encontra-se indisponível e assumindo que os estados
1, 2, 4, 5, 7, 8 e 9 (sistema disponível) são estados absorventes. A partir desta última
suposição, o PSMNH dado na Figura 5-6 também não é mais um processo irredutível.
A Figura 5-11 apresenta os percentis de 5% e 95% calculados através do modelo híbrido
proposto para o indicador Manutenibilidade.
78
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 200 400 600 800 1000 1200
Tempo (hs)
Man
ute
nib
ilid
ade
P_05(t)
P_95(t)
Figura 5-11 – Manutenibilidade para o sistema de aquecimento
O tempo médio de simulação de cada iteração foi de aproximadamente 0.13 seg. Os
valores calculados estão no APÊNDICE I.
5.4.4. Atualização de crenças probabilísticas
Suponha que no início de cada fase, os equipamentos 1 e 2 sejam substituídos por
equipamentos novos. Esta nova informação (evidência) não modifica a estrutura dos estados
do PSMNH nem a topologia da RB dinâmica. Entretanto, as RBs que possuem o parâmetro λ
como nó de saída terão suas TPCs atualizadas, já que agora tem-se que ( ) 1P X Novo= = ,
( ) 0P X SemiNovo= = e ( ) 0P X Desgastado= = .
Esta evidência influenciará o comportamento futuro do sistema e consequentemente seus
indicadores de desempenho de Confiabilidade. O comportamento do sistema dado esta nova
evidência será denominado a posteriori. Os indicadores apresentados na subseção anterior de
análise de resultados antes da nova informação ser evidenciada são denominados a priori.
5.4.4.1. Distribuições marginais
Utilizando os resultados descritos na subseção 3.5.4, as distribuições marginais de
probabilidade Pr iorifλ e Postfλ do parâmetro λ a priori e a posteriori, respectivamente são dadas
na Tabela 5-11 para as fases 1 e 2 e na Tabela 5-12 para a fase 3.
Tabela 5-11 – Distribuição marginal de probabilidade a priori e a posteriori do parâmetro iλ , com i = 1, 2
1( )i hλ − Pr
i
iorifλ P
i
ostfλ
1.00E-04 0.180 0.300
79
1.00E-03 0.316 0.480 5.00E-03 0.350 0.130 1.00E-02 0.154 0.090
Valor esperado de 1( )i hλ − 3.62E-03 2.06E-03
Tabela 5-12 – Distribuição marginal de probabilidade a priori e a posteriori do parâmetro 3λ
13( )hλ −
3
Pr iorifλ 3
Postfλ
1.00E-03 0.296 0.470 1.00E-02 0.244 0.250 2.00E-02 0.308 0.140 5.00E-02 0.152 0.140
Valor esperado de 13( )hλ − 1.65E-02 1.28E-02
Os gráficos correspondentes às distribuições marginais de probabilidade Pr iorifλ e Postfλ do
parâmetro λ a priori e a posteriori, respectivamente são dados na Figura 5-12 para as fases 1
e 2 e na Figura 5-13 para a fase 3.
0
0.1
0.2
0.3
0.4
0.5
0.6
1.00E-04 1.00E-03 5.00E-03 1.00E-02
Taxa de falha - fases 1 e 2
Pro
bab
ilid
ade
Priori
Posteriori
Figura 5-12 - Distribuição marginal de probabilidade a priori e a posteriori do parâmetro iλ , com i = 1, 2
80
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
1.00E-03 1.00E-02 2.00E-02 5.00E-02
Taxa de falha - fase 3
Pro
bab
ilid
ade
Priori
Posteriori
Figura 5-13 - Distribuição marginal de probabilidade a priori e a posteriori do parâmetro 3λ
Nota-se a partir da análise dos gráficos da Figura 5-12 e Figura 5-13 que houve um
deslocamento de massa probabilística na direção da redução do valor do parâmetro λ .
Dado que a evidência apenas atualiza o conhecimento sobre o parâmetro λ e não sobre
µ , o objetivo agora é analisar como a nova informação influencia os indicadores de
desempenho de Confiabilidade do sistema.
5.4.4.2. Indisponibilidade a posteriori
Utilizando os valores esperados dos parâmetros λ e µ os quais constam na Tabela 5-11,
Tabela 5-12 e nos APÊNDICES G e H, a comparação entre a indisponibilidade a priori e a
posteriori pode ser analisada através da Figura 5-14.
81
0
0.002
0.004
0.006
0.008
0.01
0.012
0 200 400 600 800 1000 1200
Tempo (hs)
Ind
isp
on
ibili
dad
e a
po
ster
iori
Priori
Posteriori
Figura 5-14 – Indisponibilidade a priori e a posteriori
Os valores calculados estão no APÊNDICE J.
5.4.4.3. Confiabilidade a posteriori
Utilizando os valores esperados dos parâmetros λ e µ os quais constam na Tabela 5-11,
Tabela 5-12 e nos APÊNDICES G e H, a comparação entre o indicador Confiabilidade a
priori e a posteriori pode ser analisada através da Figura 5-15.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 200 400 600 800 1000 1200
Tempo (hs)
Co
nfi
abili
dad
e a
po
ster
iori
Priori
Posteriori
Figura 5-15 – Confiabilidade a priori e a posteriori
Os valores calculados estão no APÊNDICE J.
82
5.4.4.4. Manutenibilidade a posteriori
Utilizando os valores esperados dos parâmetros λ e µ os quais constam na Tabela 5-11,
Tabela 5-12 e nos APÊNDICES G e H, a comparação entre o indicador Manutenibilidade a
priori e a posteriori pode ser analisada através da Figura 5-16.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 200 400 600 800 1000 1200
Tempo (hs)
Man
ute
nib
ilid
ade
Priori
Posteriori
Figura 5-16 – Manutenibilidade a priori e a posteriori
Nota-se a partir da análise dos gráficos da Figura 5-14 e Figura 5-15 que houve uma
redução da indisponibilidade do sistema e aumento da Confiabilidade como era de se esperar.
Os resultados calculados podem ser utilizados em algum processo de tomada de decisão sobre
a política de custos e de manutenção a ser adotada.
Já em relação à Manutenibilidade, nota-se que os dados a priori e a posteriori coincidem já
que a nova informação não atualiza o conhecimento sobre tal indicador. Uma informação
sobre o aumento ou a redução do número de equipes de manutenção, por exemplo, poderia
atualizar o conhecimento sobre a Manutenibilidade.
A mesma análise de incerteza que fora realizada na subseção de análise de resultados
também pode ser feita para os indicadores a posteriori, bastando para isto executar o
procedimento referente ao modelo híbrido proposto o qual foi descrito na seção 5.1.
Os modelos híbridos dos exemplos de aplicação 1 e 2 foram executados em ambiente
Microsoft Windows Professional XP versão 2002 em um computador AMD Athlon (TM) XP
2200+ 1.36GHz, 256MB de memória RAM.
83
6. CONCLUSÕES
6.1. Considerações Finais
O desenvolvimento de uma metodologia de modelagem e estimação de indicadores de
desempenho de Confiabilidade de sistemas complexos foi a principal motivação do presente
trabalho. A metodologia foi fundamentada na integração entre os processos semi Markovianos
e as Redes Bayesianas.
Os processos semi Markovianos possuem uma flexibilidade superior na modelagem de
sistemas dinâmicos do que os processos Markovianos já que aqueles são uma generalização
destes e de outros processos estocásticos. Já as Redes Bayesianas são estruturas que
representam causalidades entre variáveis de interesse de um dado sistema. A integração entre
tais modelos probabilísticos originou um processo estocástico híbrido o qual é capaz de
representar a dinamicidade de um sistema ao mesmo tempo que trata como as relações de
causa e efeito influenciam tal evolução. Além disso, através da utilização do modelo híbrido
proposto é possível realizar atualizações sobre o comportamento do sistema à medida que
novas informações tornam-se disponíveis.
O modelo híbrido proposto é destinado a sistemas para os quais o comportamento futuro é
influenciado (condicionado) por variáveis temporais, ora o tempo de permanência ora o tempo
de processo ou ambos, e não temporais como por exemplo as condições ambientais
(temperatura, umidade, pressão, etc.), operacionais, fisiológicas, etc. A dependência do tempo
foi então modelada por PSMs e das variáveis não temporais por RBs.
Para a consecução do presente trabalho, foi necessário o desenvolvimento dos métodos
numéricos dos PSMs definidos a partir de taxas de transição assim como a sua implementação
em linguagem computacional. A resolução das equações das probabilidades de transição
baseou-se no aproveitamento numérico da convolução existente, na aplicação das
transformadas de Laplace e posterior inversão. Os exemplos mostraram que o método
numérico apresentou-se bastante veloz em relação à solução Monte Carlo e preciso quando
comparado com a solução analítica.
A partir daí, a integração entre PSMs e RBs foi realizada. A incerteza dada pelas RBs, as
quais neste trabalho possuem como nós de saída parâmetros de funções das taxas de transição,
determina a incerteza sobre os valores das probabilidades de transição a qual é representada
por percentis de probabilidade. Possíveis exemplos de aplicação foram realizados a sistemas
84
tolerantes à falha com o objetivo de avaliar a incerteza sobre alguns indicadores de
Confiabilidade ((In)Disponibilidade, Confiabilidade e Manutenibilidade).
Como em todo trabalho científico, limitações existem e merecem ser citadas. Os desafios e
sugestões de trabalhos futuros que terão o objetivo de superar tais limitações também serão
apresentados e comentados na próxima seção.
6.2. Limitações e Desafios Futuros
6.2.1. Processos semi Markovianos
A primeira limitação que merece ser considerada diz respeito ao método utilizado de
inversão de transformadas de Laplace para resolução das probabilidades de transição
intervalares dos PSMs. Segundo Csenki (1994), não existe nenhum método de inversão de
TLs que seja capaz de inverter com uma dada precisão todo e qualquer tipo de função.
Geralmente, um problema inverso é mal condicionado (instável). Isto em grande parte se
deve à perda de informação (provocada pela máquina) que ocorre no processo de inversão.
Pesquisas recentes na área merecem ser citadas: Press et al. (2002), por exemplo, sugerem a
utilização de opiniões de especialistas na resolução de problemas inversos.
Abate e Valkó (2004) argumentam que nos desenvolvimentos tradicionais em métodos de
inversão, cada vez mais esforços estão direcionados em controlar erros de ponto flutuante da
máquina. Isto se deve porque o processo é numericamente instável na precisão fixa do
ambiente computacional. Em tal trabalho, é sugerido combater tal problema através da
aplicação de computação multi precisão. O que acontece é que algoritmos de inversão não têm
meios de controlar a exatidão da saída do programa. O problema é que o usuário tenta
incrementar a exatidão do método, mas há um ponto limitante no qual a propagação de erros
de ponto flutuante causa erro nos resultados de saída. Isto é, o procedimento é numericamente
instável quando se usa a precisão fixa da máquina. Para superar este problema, deve-se ter a
capacidade de variar a precisão da máquina em tempo de simulação o que muitas vezes não é
possível.
Segundo Press et al. (2002), uma desvantagem de um método baseado em quadraturas
Gaussianas é que não há um simples caminho para obter uma estimativa do erro absoluto
cometido em se aproximar os valores reais das probabilidades pelo método fornecido. Como
sugestão de trabalhos futuros, tem-se adequar e incluir no algoritmo o trabalho desenvolvido
por Cuomo et al. (2007) o qual fornece estimativas dos erros cometidos em inverter TLs a
partir de um método baseado na expansão da série polinomial de Laguerre.
85
Outra sugestão de trabalho futuro é específica aos PSMs Não Homogêneos. Basicamente,
os PSMNHs são modelos destinados à modelagem de sistemas complexos que possuem
probabilidades de transição dependentes do instante desde a última transição e que sofrem
envelhecimento, i.e., que estão sujeitos a algum processo dinâmico de deterioração seja este
físico, químico ou biológico. Esta capacidade dos PSMNHs é possível devido ao fato que
neste caso as taxas de transição entre estados dependem do tempo de calendário do sistema.
Entretanto, esta característica é apenas verdadeira quando a hipótese de que os tempos de
reparo são desprezíveis é cabível o que justificaria a obtenção de uma taxa de transição, em
particular taxa de falha, em função do tempo de calendário. Em sistemas complexos formados
por vários componentes que estão sujeitos a processos de deterioração, a hipótese de tempos
de reparo instantâneos não é real. Na verdade, para estes sistemas a taxa de falha somente
evolui quando o mesmo está funcionando, i.e., a taxa de falha depende do tempo x de
operação acumulada do sistema e não do tempo t total de processo. Kalashnikov (1994) e
Singh e Billington (1977) argumentam que esta é uma das motivações para o emprego de
variáveis suplementares. De certa forma, se a evolução da taxa de falha de um sistema puder
ser obtida ou projetada como função do seu tempo de operação x , e não do seu tempo de
calendário t , então x pode ser utilizado como variável suplementar.
Outra justificativa da utilização de variáveis suplementares na modelagem de sistemas
complexos é o fato que em t = 0 (início da observação do sistema) o tempo de funcionamento
efetivo xo do sistema é não nulo, i.e., o sistema inicia seu período de operação em um estado
de desempenho pior do que era quando novo. Esta é uma característica verdadeira em
sistemas que possuem uma política de manutenção segundo a qual quando um equipamento
falha o mesmo não é renovado ou substituído por outro completamente novo.
Portanto, a sugestão é desenvolver um modelo probabilístico para avaliação de
indicadores de desempenho operacionais o qual será destinado a sistemas que possuem taxas
de transição dependentes do tempo de permanência em determinado estado e que possuem
vários componentes sofrendo envelhecimento para os quais as taxas de falha evoluem de
acordo com o tempo real de funcionamento x , o qual representa a variável suplementar.
6.2.2. Redes Bayesianas
Uma das limitações que podem ser citadas em relação às RBs é a necessidade de
discretização de variáveis aleatórias contínuas, como os parâmetros λ e µ dos exemplos de
aplicação. Uma das alternativas para superar esta restrição é trabalhar com Redes Bayesianas
Contínuas, como em Castillo et al. (1997) por exemplo. Isto exigiria que ao invés de
86
distribuições de probabilidades, a incerteza sobre as variáveis aleatórias de interesse fosse
dada através de funções densidade.
6.2.3. Modelo Híbrido: PSMs e RBs
Em relação ao modelo híbrido propriamente dito, uma limitação merece ser citada. O
modelo proposto exige que os nós de saída das RBs sejam sempre parâmetros de funções
densidade de probabilidade. Geralmente, tais parâmetros possuem um sentido físico.
Entretanto, parece ser difícil extrair conhecimento, seja de especialistas seja de base de dados,
e se montar uma RB que possua necessariamente como nó de saída um parâmetro de uma
função densidade de probabilidade.
A alternativa que se tem aqui é que se forneça ao analista de Confiabilidade a flexibilidade
de utilizar RBs com outros nós de saída, como por exemplo realizações de tempo de falha ou
reparo.
87
REFERÊNCIAS BIBLIOGRÁFICAS
ABATE, J. e P. P. VALKÓ. Multi-precision Laplace transform inversion. International Journal for Numerical Methods in Engineering, v.60, p.979-993. 2004. ABATE, J. e W. WHITT. The Fourier-Series Methods for Inverting Transforms of Probability Distributions. Queueing systems, v.10, nº1-2, p.5-87. 1992. AFCHAIN, A. L. Non-parametric estimation of lifetime and repair time criteria for a semi-Markov process. Comptes Rendus Mathematic, v.339, p.137-140. 2004. BARROS JR., P. F. D. R. Uma metodologia para análise de Disponibilidade de sistemas complexos via hibridismo de redes Bayesianas e Processos Markovianos. Engenharia de Produção, Centro de Tecnologia e Geociências, UFPE, Recife, PE-Brasil, 2006. BECKER, G., L. CAMARINOPOULOS e G. ZIOUTAS. A semi-Markovian model allowing for inhomogenities with respect to process time. Reliability Engineering & System Safety, v.70, p.41-48. 2000. BOYCE, W. E. e R. C. DIPRIMA. Equações diferenciais elementares e problemas de valores de contorno. Rio de Janeiro: LTC. 2002. CASTILLO, E., J. M. GUTIÉRREZ, A. S. HADI e C. SOLARES. Symbolic Propagation and sensitivity analysis in Gaussian Bayesian Networks with application to damage assessment. Artificial Intelligence in Engineering, v.11, p.173-181. 1997. CHEN, D. e K. S. TRIVEDI. Optimization for condition-based maintenance with semi-Markov decision process. Reliability Engineering & System Safety, v.90, p.25-29. 2005. CHUKOVA, S., R. ARNOLD e D. Q. WANG. Warranty analysis: An approach to modeling imperfect repairs. International Journal of Production Economics, v.89, p.57-68. 2004. ÇINLAR, E. Introduction to Stochastic Processes. Englewood Cliffs, New Jersey: Prentice Hall. 1975. CORRADI, G., J. JANSSEN e R. MANCA. Numerical Treatment of Homogeneous semi Markov Processes in Transient Case - a Straightfoward Approach. Methodology and Computing in Applied Probability, v.6, p.233-246. 2004. CSENKI, A. On the interval reliability of systems modelled by finite semi-Markov processes. Microelec. Reliability, v.34, p.1319-35. 1994. CSENKI, A. An integral equation approach to the interval reliability of systems modelled by finite semi-Markov processes. Reliability Engineering and System Safety, v.47, p.37-45. 1995. CUOMO, S., L. D’AMORE, A. MURLI e M. RIZZARDI. Computation of the inverse Laplace transform based on a collocation method which uses only real values. Journal of Computational and Applied Mathematics, v.198, p.98 – 115. 2007.
88
D’AMICO, G., J. JANSSEN e R. MANCA. Homogeneous Semi-Markov reliability models for credit risk management. Decisions in Economics and Finance, v.28, p.79-93. 2005. DAWID, A. P., J. MORTERA e P. VICARD. Representing and solving complex DNA identification cases using Bayesian networks. International Congress Series, v.1288, p.484-491. 2006. DEGROOT, M. H. e M. J. SCHERVISH. Probability and Statistics. Boston: Addison Wesley. 2002. DOYEN, L. e O. GAUDOIN. Classes of imperfect repair models based on reduction of failure intensity or virtual age. Reliability Engineering and System Safety, v.84, p.45-56. 2004. DROGUETT, E. L. e A. MOSLEH. Análise Bayesiana da Confiabilidade de produtos em desenvolvimento. Revista Gestão & Produção, v.13. 2006. EL-GOHARY, A. Bayesian estimations of parameters in a three state reliability semi-Markov models. Applied Mathematics and Computation, v.154, p.53-67. 2004. FELLI, J. C., W. H. ANDERSON, J. P. KREMIDAS e S. J. RUBERG. A semi-Markov model for patient progression through clinical trials. European Journal of Operational Research, v.176, p.542-549. 2007. FIRMINO, P. R. A. Redes Bayesianas para parametrização da confiabilidade em sistemas complexos. Engenharia de Produção, Centro de Tecnologia e Geociências, UFPE, Recife, PE-Brasil, 2004. FIRMINO, P. R. A., R. D. C. S. MENEZES e E. L. DROGUETT. Eliciting Engineering Judgments in Human Reliability Assessment. Annual Reliability and Maintainability Symposium. 2006. GALVANI, L. V. Metodologia para minimizar o impacto da indisponibilidade não programada sobre a receita do serviço de transmissão de energia elétrica. Programa de pós graduação em energia elétrica, Universidade Federal de Santa Catarina, Florianopólis, SC, Brasil, 2003. GARCÍA, P., A. AMANDI, S. SCHIAFFINO e M. CAMPO. Evaluating Bayesian networks' precision for detecting students' learning styles. Computers & Education. 2005. GE, X. Segmental Semi-Markov Models and Applications to Sequence Analysis. Department of Information and Computer Science, University of California, Irvine, 2002. GRABSKI, F. The reliability of an object with semi-Markov failure rate. Applied Mathematics and Computation, v.135, p.1-16. 2003. HOWARD, R. A. Dynamic Probabilistic Systems. California: John Wiley & Sons, v.2, SemiMarkov and Decision Processes. 1971a. HOWARD, R. A. Dynamic Probabilistic Systems. California: John Wiley & Sons, v.1, Markov Models. 1971b.
89
IEZZI, G. e S. HAZZAN. Fundamentos da Matemática Elementar - Sequências, Matrizes, Determinantes, Sistemas, v.4. 1983. IOSIFESCU, M. Non homogeneous semi-Markov processes. Stud. Lere. Mat., v.24, p.529-533. 1972. JANSSEN, J. e R. MANCA. Non-Homogeneous semi - Markov Reward Process for the Management of Health insurance models. The ASTIN Colloquium Washington. DC, United States of America. July 8-11, 2001a. JANSSEN, J. e R. MANCA. Numerical solution of Non Homogeneous semi Markov processes in Transient Case. Methodology and Computing in Applied Probability, v.3, p.271-293. 2001b. JENAB, K. e B. S. DHILLON. Assessment of reversible multi-state k-out-of-n:G/F/Load-Sharing systems with flow-graph models. Reliability Engineering and System Safety, v.91, p.765-771. 2006. KALASHNIKOV, V. V. Mathematical Methods in Queuing Theory. Dordrecht: Kluwer. 1994. KAO, H.-Y., C.-H. HUANG e H.-L. LI. Supply chain diagnostics with dynamic Bayesian networks. Computers & Industrial Engineering, v.49, p.339-347. 2005. KORB, K. B. e A. E. NICHOLSON. Bayesian artificial intelligence. Florida: Chapman & Hall/CRC. 2003. LANGSETH, H. e L. PORTINALE. Bayesian networks in reliability. Reliability Engineering and System Safety, v.92, p.92-108. 2007. LAURÍA, E. J. M. e P. J. DUCHESSI. A Bayesian Belief Network for IT implementation decision support. Decision Support Systems. 2006. LIMNIOS, N. Dependability analysis of semi-Markov systems. Reliability Engineering and System Safety, v.55, p.203-207. 1997. LIMNIOS, N. e G. OPRISAN. Semi-Markov processes and reliability. Boston: Birkhauser. 2001. LIMNIOS, N. e G. OPRISAN. Semi-Markov processes and reliability - Book Review. Reliability Engineering and System Safety, v.79, p.117. 2003. LIMNIOS, N. e B. OUHBI. Nonparametric estimation of some important indicators in reliability for semi-Markov processes. Statistical Methodology, v.In Press. 2005. MARTZ, H. F. e R. A. WALLER. Bayesian Reliability Analysis. Florida: Krieger Publishing Company. 1982.
90
MATHIEU, E., Y. FOUCHER, P. DELLAMONICA e J.-P. DAURES. Parametric and Non Homogeneous semi-Markov Process for HIV Control. XIth International Symposium on Applied Stochastic Models and Data Analysis (ASMDA 2005). Brest, France. May, 17-20, 2005. MENÊZES, R. C. Uma metodologia para a Avaliação da Confiabilidade Humana em atividades de substituição de cadeias de isoladores em linhas de transmissão. Engenharia de Produção, Centro de Tecnologia e Geociências, UFPE, Recife, PE-Brasil, 2005. MENÊZES, R. D. C. E. S. e E. L. DROGUETT. Análise da Confiabilidade Humana via Redes Bayesianas: uma aplicação à manutenção de linhas de transmissão. Aceito para publicação na Revista Produção, v.17, nº 01. 2007. MENÊZES, R. D. C. S. e E. L. DROGUETT. Uma metodologia para análise de confiabilidade de sistemas complexos. XXXVIII Simpósio Brasileiro de Pesquisa Operacional. Goiânia, GO, 2006. MILOVANOVIC, G. V. e A. S. CVETKOVIC. Numerical Inversion of the Laplace Transform. ELEC. ENERG., v.18, nº 3, p.515-530. 2005. MOURA, M. C., H. H. L. DINIZ, E. L. DROGUETT e C. M. C. JACINTO. Análise comparativa da disponibilidade de duas malhas de completação inteligente em poços de petróleo. Encontro Nacional de Engenharia de Produção. Porto Alegre, RS, 2005. MOURA, M. C. e E. L. DROGUETT. Determinação do nível de eficácia de equipes de manutenção via Processo de Renovação Generalizado. XXVI ENEGEP. Fortaleza, CE, Brasil. 9 a 11 de Outubro, 2006a. MOURA, M. C. e E. L. DROGUETT. Modelagem da Confiabilidade de sistemas sujeitos a envelhecimento via Processos Markovianos Não-Homogêneos e Redes Bayesianas. XIII CLAIO - Latin IberoAmerican Operations Research Conference. Montevideo, Uruguay. November 27 – 30, 2006b. OLIVEIRA, E. A. Uso de variáveis suplementares e inversão de transformadas de Laplace no cálculo de Confiabilidade de sistemas sujeitos a envelhecimento e sob reparo mínimo. COPPE/UFRJ, Rio de Janeiro, 2001. OLIVEIRA, E. A., A. C. M. ALVIM e P. F. FRUTUOSO E MELO. A Queueing Model for the Reliability Analysis of a System Considering its Age as a Supplementary Variable. Anais do XI Encontro de Física de Reatores e Termohidráulica. Poços de Caldas. Agosto, 1997. OLIVEIRA, E. A., A. C. M. ALVIM e P. F. FRUTUOSO E MELO. Unavailability analysis of safety systems under aging by supplementary variables with imperfect repair. Annals Nuclear Energy, v.32, p.241-252. 2005. OLIVEIRA, F. A. G. D. Avaliação Probabilística de Risco via Modelo Causal Híbrido em Cirurgia: o caso da Histerectomia Vaginal. Engenharia de Produção, Centro de Tecnologia e Geociências, UFPE, Recife, PE, Brasil, 2006.
91
OUHBI, B. e N. LIMNIOS. Reliability estimation of semi-Markov systems: a case study. Reliability Engineering & System Safety, v.58, p.201-204. 1997. OUHBI, B. e N. LIMNIOS. The rate of occurrence of failures for semi-Markov processes and estimation. Statistics & Probability Letters, v.59, p.245–255. 2002. OUHBI, B. e N. LIMNIOS. Nonparametric reliability estimation of semi-Markov processes. Journal of Statistical Planning and Inference, v.109, p.155-165. 2003. PEARL, J. Probabilistic reasoning in intelligent systems: networks of plausible inference. San Mateo, CA: Morgan Kaufmann Publishers. 1988. PEARL, J. Causality, Reasoning, and Inference. New York: Cambridge University Press. 2000. PERMAN, M., A. SENEGAENIK e M. TUMA. Semi-Markov Models with an Application to Power-Plant Reliability Analysis. IEEE Transactions on Reliability, v.46, No.4. 1997. PHAM, H. e H. WANG. Imperfect maintenance. European Journal of Operational Research, v.94, p.425-438. 1996. PIEVATOLO, A. e I. VALADÈ. UPS reliability analysis with non-exponential duration distribution. Reliability Engineering and System Safety, v.81, p.183-189. 2003. PLATIS, A., N. LIMNIOS e M. L. DU. Dependability analysis of systems modeled by Non-Homogeneous Markov Chains. Reliability Engineering & System Safety, v.61, p.235-249. 1998. PRESS, W. H., S. A. TEUKOLSKY, W. T. VETTERLING e B. P. FLANNERY. Numerical Recipes in C++. Cambridge: Cambridge University Press. 2002. ROSS, S. M. Introduction to Probability Models. Berkeley, California: Academic Press. 1997. ROSS, S. M. Simulation. Berkeley, California: Academic Press. 2002. SANTOS, W. Análise probabilística de riscos via redes Bayesianas: Uma aplicação na construção de poços multilaterais. Engenharia de Produção, Centro de Tecnologia e Geociências, UFPE, Recife, PE-Brasil, 2005. SINGH, C. e R. BILLINGTON. System Reliability Modelling and Evaluation. London: Hutchinson. 1977. SINGPURWALLA, N. D. Reliability and Risk: a Bayesian perspective: Wiley series in Probability and Statistic. 2006. SMOTHERMAN, M. e K. ZEMOUDEH. A Non Homogeneous Markov Model for Phased-Mission Reliability Analysis. IEEE Transactions on Reliability, v.38, nº 5, December. 1989.
92
SOSZYNSKA, J. Reliability evaluation of a port oil transportation system in variable operation conditions. International Journal of Pressure Vessels and Piping, v.83, p.304-311. 2006. VALKÓ, P. P. e J. ABATE. Comparison of Sequence Accelerators for the Gaver Method of Numerical Laplace Transform Inversion. An International Joumal Computers & Mathematic with applications, v.48, p.629-636. 2004. VAURIO, J. K. Reliability characteristics of components and systems with tolerable repair times. Reliability Engineering and System Safety, v.56, p.43-52. 1997. XIE, W., Y. HONG e K. TRIVEDI. Analysis of a two-level software rejuvenation policy. Reliability Engineering & System Safety, v.87, p.13-22. 2005. YAÑEZ, M., F. JOGLAR e M. MODARRES. Generalized renewal process for analysis of repairable systems with limited failure experience. Reliability Engineering & System Safety, v.77, p.167-180. 2002.
93
ANEXOS
ANEXO A – Equações Diferenciais de Chapman-Kolmogorov
De fato, pode-se mostrar que para cada i∀ e j∀ , com i j≠ , existe uma função contínua e
não negativa )(tijλ , conhecida como taxa de transição do estado i para o estado j , definida
como:
0
( , ) ( , )( ) | lim .ij ij
ij v tt
p v t p t t tt
t tλ =
∆ →
∂ + ∆= =
∂ ∆ (1)
Então, as probabilidades de transição e as taxas de transição são relacionadas como
mostrado na equação (2):
( , ) ( ) ( ).ij ijp t t t t t o tλ+ ∆ = ⋅ ∆ + ∆ (2)
para i j≠ e ( )o t∆ é o little oh definido como uma função de t∆ que tende a zero mais
rapidamente do que t∆ , veja Ross (1997):
0
( )lim 0
t
o t
t∆ →
∆=
∆ (3)
Substituindo t por t t+ ∆ na Equação 3-3 de Chapman-Kolmogorov, tem-se que:
1
( , ) ( , ) ( , ).N
ij ik kjk
p t t p u p u t tυ υ=
+ ∆ = ⋅ + ∆∑ (4)
Logo,
1
( , ) ( , ) ( , ) ( , ) [1 ( , )] ( , ).N
ij ij ik kj jj ijkk j
p t t p t p u p u t t p u t t p uυ υ υ υ=≠
+ ∆ − = ⋅ + ∆ − − + ∆∑ (5)
Dividindo ambos os lados da equação (5) por t∆ e fazendo o limite para 0t∆ → e u t→ ,
obtém-se as Equações Diferenciais de Kolmogorov. Para 0 tυ≤ < e ,i j ∈ Χ :
1
( , )( , ) ( ) ( , ) ( ).
Nij
ik kj ij jjkk j
p v tp v t t p v t t
tλ λ
=≠
∂= ⋅ − ⋅
∂∑ (6)
Então, a equação diferencial para a probabilidade de estado incondicional ( )jP t é dada
por:
1
( )( ) ( ) ( ) ( ).
Nj
i ij j jjii j
dP tP t t P t t
dtλ λ
=≠
= ⋅ + ⋅∑ (7)
94
ANEXO B – Cálculo da matriz inversa através de determinantes
Tal demonstração é dada em Iezzi e Hazzan (1983).
− Matriz dos cofatores
Seja M uma matriz quadrada de ordem n . Denomina-se matriz dos cofatores de M ,
indicada por /M , a matriz que se obtém de M substituindo cada um de seus elementos por
seu cofator.
Assim, se
11
nn
a
M
a
=
…
… …
, então
11/ .
nn
A
M
A
=
…
… …
Por exemplo, se 1 2
3 4M
=
então / 4 3
2 1M
− = −
já que
1 111 ( 1) 4 4A += − ⋅ = 1 2
12 ( 1) 3 3A += − ⋅ = −
2 121 ( 1) 2 2A += − ⋅ = − 2 2
22 ( 1) 1 1.A += − ⋅ =
− Matriz adjunta
Seja M uma matriz quadrada de ordem n e /M a matriz dos cofatores de M . Denomina-
se matriz adjunta de M , indicada por M , à transposta da matriz /M , i.e., ( )/ TM M= .
− Teorema 1
“Seja M uma matriz quadrada de ordem n e nI a matriz Identidade de ordem n , então
det( ) nM M M M M I⋅ = ⋅ = ⋅ ”.
Demonstração:
Seja ( ).ikM M b⋅ = Por definição de produto de matrizes,
1 1
.n n
ik ij jk ij kjj j
b a B a A= =
= ⋅ = ⋅∑ ∑
Logo, se det( )iki k b M= ⇒ = (teorema de Laplace) e 0iki k b≠ ⇒ = (teorema de Cauchy).
Portanto,
det( ) nM M M I⋅ = ⋅ (8)
Analogamente, seja ( ).ikM M c⋅ = Por definição de produto de matrizes,
95
1 1
.n n
ik ij jk jk jij j
c B a a A= =
= ⋅ = ⋅∑ ∑
Logo, se det( )iki k c M= ⇒ = (teorema de Laplace) e 0iki k c≠ ⇒ = (teorema de Cauchy).
Portanto,
det( ) nM M M I⋅ = ⋅ (9)
De (8) e (9), conclui-se que:
det( ) .nM M M M M I⋅ = ⋅ = ⋅
− Teorema 2
“Seja M uma matriz quadrada de ordem n e det( ) 0M ≠ , então a inversa de M é dada por
1 1.
det( )M M
M− = ⋅ ”
Demonstração:
Usando o teorema 1, tem-se:
( )1 1 det( )
det( ) det( ) det( ) n
MM M M M I
M M M
⋅ = ⋅ ⋅ = ⋅
(10)
( )1 1 det( )
det( ) det( ) det( ) n
MM M M M I
M M M
⋅ = ⋅ ⋅ = ⋅
(11)
De (10) e (11), segue por definição de matriz inversa que 1 1.
det( )M M
M− = ⋅
96
APÊNDICES
APÊNDICE A - Transformadas de Laplace
Tabela A. 1 – Transformadas de Laplace
)(tf ∫∞
−=0
~
)()( dttfesf st Equação A. 1
)(tδ 1 Equação A. 2
1)( =tu s/1 Equação A. 3
)(taf )(~
sfa Equação A. 4
)()( 21 tftf + )()( 2
~~
1 sfsf + Equação A. 5
∫ −⋅t
dtftf0
21 )()( ττ )(*)( 2
~~
1 sfsf Equação A. 6
)(tfe at− )(~
asf + Equação A. 7
ate− )/(1 as + Equação A. 8
( ) 0, >aatf ~1 sf
a a
Equação A. 9
( ), 0 0f K at K e a+ > > ( ) ~
0
exp( )
K st
a
sKsa f e f t dt
a a
− −
∫
Equação A. 10
0),( ≥ttfdt
d )0()(
~
fssf − Equação A. 11
∫=cx
xcx dxxfxF0
00 )()( s
sf x )(~
Equação A. 12
∫∞
=−
cx
xcx dxxfxF 00 )()(1 s
sf
sx )(1
~
− Equação A. 13
A Equação A. 1 é a definição de transformada de Laplace. A Equação A. 2 segue da
própria definição e significa que a transformada de Laplace da função impulso )(tδ é igual a
um.
A Equação A. 3 apresenta a transformada de Laplace da função de passo unitário a
qual é igual a um para argumentos reais positivos e zero para argumentos negativos. A
Equação A. 3 segue de:
se
sdtedttue ststst 11
)(000
=−==
∞
−∞
−∞
−
∫∫ Equação A. 14
97
A Equação A. 4 declara que o resultado de multiplicar uma função por um valor
constante é equivalente a multiplicar sua transformada pela mesma constante.
A Equação A. 5 expressa que a transformada da soma de duas funções é igual à soma
de suas transformadas individuais. Tal relação pode ser estendida para o somatório de n
funções e segue da própria definição.
A Equação A. 6 declara o fato que a convolução de duas funções de tempo contínuo
tem transformada de Laplace igual ao produto das transformadas individuais de tais funções.
Tal relação pode ser demonstrada da seguinte maneira:
∫∫ −∞
−t
st dtffdte0
21
0
)()( τττ ∫∫−−−
∞
−=t
tss detfefdt0
)(21
0
)()( τττ ττ
∫∫∞
−−−∞
−=τ
ττ τττ dtetfefd tss )(21
0
)()(
∫∫∞
−−∞
=0
21
0
)()( dueufefd susτττ )( τ−= tu
∫∫∞
−∞
−=0
2
0
1 )()( duufedfe sus τττ
)(*)( 2
~
1
~
sfsf= Equação A. 15
A Equação A. 7 mostra que multiplicar uma função por uma função exponencial de
taxa a− exige que sua variável transformada seja substituída por ( )s a+ . Isto pode ser
provado como:
)()()(~
0
)(
0
asfdttfedttfee tasatst +== ∫∫∞
+−∞
−− Equação A. 16
A Equação A. 8 mostra o resultado de aplicar a transformada de Laplace à uma função
exponencial. Tal relação segue diretamente da Equação A. 3 e da Equação A. 7 como:
astuee atat
+== −− 1
)( Equação A. 17
A Equação A. 9 mostra que a transformada de uma função que tem seu argumento
multiplicado por uma constante real positiva é igual a dividir tanto a variável transformada
quanto a própria transformada por tal constante e pode ser provada como:
∫∞
−
0
)( dtatfe st ∫∞
−
=0
)(a
duufe
ta
s
=⇒=⇒=
a
dudtadtduatu
∫∞
−
=0
)(1
duufea
ta
s
=
a
sf
a
~1 Equação A. 18
98
A Equação A. 10 apresenta a transformada de Laplace de uma função ( )f K at+ , onde
0K > e 0a > . A Equação A. 10 pode ser demonstrada da seguinte forma:
0
( )ste f K at dt∞
− +∫ ( )
( )s
u Ka
K
due f u
a
∞− − = ∫
u K duu K at t du adt dt
a a
− = + ⇒ = ⇒ = ⇒ =
( )
0 0
exp( ) ( )
Ks su u
a a
sKa e f u du e f u du
a
∞− −
= − ∫ ∫
( ) ~
0
exp( )
K su
a
sKsa f e f u du
a a
− = −
∫
Equação A. 19
A Equação A. 11 mostra a transformada de Laplace da derivada de uma função: a
transformada deve ser multiplicada pela variável transformada e então subtrair o valor da
função em 0t = . Pode ser provado, utilizando integração por partes, como segue:
)0()()()()(~
00
0
fsfsdttfestfedttfdt
de ststst −=+= ∫∫
∞−∞−
∞− Equação A. 20
A Equação A. 12 mostra que a transformada de Laplace de uma função de distribuição
acumulada de tempo contínuo é igual à transformada de Laplace da função densidade de
probabilidade dividida pela variável transformada. A demonstração de tal relação segue
diretamente da Equação A. 20 e que o valor da função de distribuição acumulada em 0t = é
nulo.
)()( tFdx
dtf x = )0()()(
~~
FsFssf xx −==
s
sfsF x
x)(
)(
~~
== Equação A. 21
A Equação A. 13 apresenta a transformada de Laplace do complementar da função de
distribuição acumulada. Tal relação segue diretamente da Equação A. 3, Equação A. 5 e
Equação A. 12.
APÊNDICE B – Resultados Exemplo 1
Tabela B. 1 - Resultados de ( )11 tφ
T Método Proposto Solução Analítica Erro 0.008 0.9967510 0.9967512 2.49E-07 0.043 0.9827460 0.9827455 5.24E-07 0.106 0.9571160 0.9571152 8.14E-07 0.199 0.9195660 0.9195649 1.14E-06 0.324 0.8704720 0.8704705 1.48E-06 0.483 0.8113140 0.8113129 1.13E-06 0.679 0.7448090 0.7448074 1.63E-06
99
0.920 0.6746720 0.6746706 1.41E-06 1.211 0.6051070 0.6051055 1.55E-06 1.563 0.5401880 0.5401864 1.62E-06 1.993 0.4833110 0.4833122 1.18E-06 2.527 0.4368470 0.4368450 1.96E-06 3.208 0.4019520 0.4019556 3.62E-06 4.123 0.3786090 0.3786033 5.69E-06 5.474 0.3655780 0.3655888 1.08E-05 8.000 0.3606110 0.3605911 1.99E-05
Tabela B. 2 – Resultados de ( )22 tφ
T Método Proposto Solução Analítica Erro 0.008 0.9927790 0.9927783 6.82E-07 0.043 0.9635350 0.9635354 3.92E-07 0.106 0.9168890 0.9168867 2.29E-06 0.199 0.8611870 0.8611868 1.66E-07 0.324 0.8051450 0.8051418 3.23E-06 0.483 0.7556400 0.7556395 5.47E-07 0.679 0.7165100 0.7165065 3.52E-06 0.920 0.6884390 0.6884389 9.69E-08 1.211 0.6698710 0.6698674 3.64E-06 1.563 0.6582150 0.6582155 5.25E-07 1.993 0.6509950 0.6509927 2.32E-06 2.527 0.6463930 0.6463946 1.57E-06 3.208 0.6433920 0.6433899 2.10E-06 4.123 0.6414880 0.6414893 1.34E-06 5.474 0.6404470 0.6404466 3.69E-07 8.000 0.6400480 0.6400472 7.69E-07
APÊNDICE C – Resultados Exemplo 2
Tabela C. 1 – Resultados para P1(t)
T Método Proposto Solução Analítica Erro 1.01402 0.990405 0.990404877 1.23E-07 5.36317 0.959487 0.959486884 1.16E-07 13.2721 0.930205 0.930204755 2.45E-07 24.894 0.91497 0.914970693 6.93E-07 40.4632 0.910152 0.910151587 4.13E-07 60.3171 0.90921 0.90921034 3.40E-07 84.9281 0.9091 0.909098878 1.12E-06 114.955 0.90909 0.909091202 1.20E-06 151.328 0.909092 0.909090914 1.09E-06 195.392 0.90909 0.909090909 9.09E-07 249.167 0.909092 0.909090909 1.09E-06 315.862 0.90909 0.909090909 9.09E-07
401 0.909092 0.909090909 1.09E-06 515.314 0.90909 0.909090909 9.09E-07 684.309 0.909092 0.909090909 1.09E-06
100
1000 0.90909 0.909090909 9.09E-07
Tabela C. 2 – Resultados para P2(t)
T Método Proposto Solução Analítica Erro 1.01402 0.00959523 0.009595123 1.07E-07 5.36317 0.040513 0.040513116 1.16E-07 13.2721 0.0697954 0.069795245 1.55E-07 24.894 0.0850291 0.085029307 2.07E-07 40.4632 0.0898486 0.089848413 1.87E-07 60.3171 0.0907895 0.09078966 1.60E-07 84.9281 0.0909013 0.090901122 1.78E-07 114.955 0.0909086 0.090908798 1.98E-07 151.328 0.0909094 0.090909086 3.14E-07 195.392 0.0909088 0.090909091 2.91E-07 249.167 0.0909094 0.090909091 3.09E-07 315.862 0.0909088 0.090909091 2.91E-07
401 0.0909094 0.090909091 3.09E-07 515.314 0.0909088 0.090909091 2.91E-07 684.309 0.0909093 0.090909091 2.09E-07
1000 0.0909089 0.090909091 1.91E-07
APÊNDICE D – Resultados Exemplo 3
Tabela D. 1– Resultados para P0(t)
T Método Proposto Monte Carlo Erro 2.02805 0.9998 0.999796 4.00E-06 10.7263 0.998982 0.99898 2.00E-06 26.5442 0.997674 0.997754 8.00E-05 49.788 0.996084 0.995922 1.62E-04 80.9265 0.994474 0.994534 6.00E-05 120.634 0.993023 0.993136 1.13E-04 169.856 0.991884 0.991944 6.00E-05 229.911 0.991066 0.990812 2.54E-04 302.657 0.990569 0.99038 1.89E-04 390.784 0.990286 0.990466 1.80E-04 498.333 0.990168 0.99021 4.20E-05 631.723 0.990111 0.990332 2.21E-04 802.001 0.990107 0.99005 5.70E-05 1030.63 0.990095 0.989878 2.17E-04 1368.62 0.990103 0.989966 1.37E-04
2000 0.990097 0.98997 1.27E-04 Tabela D. 2 - Resultados para I(t)
T Método Proposto Monte Carlo Erro 2.02805 -3.07817E-05 0 3.08E-05 10.7263 0.000321864 0.000046 2.76E-04 26.5442 0.00163784 0.00111 5.28E-04 49.788 0.00321249 0.002914 2.98E-04 80.9265 0.00483787 0.004236 6.02E-04
101
120.634 0.00627711 0.005684 5.93E-04 169.856 0.00742979 0.00695 4.80E-04 229.911 0.00823626 0.008062 1.74E-04 302.657 0.00874518 0.008482 2.63E-04 390.784 0.00901711 0.008414 6.03E-04 498.333 0.00914621 0.00863 5.16E-04 631.723 0.00919204 0.008494 6.98E-04 802.001 0.00920749 0.008708 4.99E-04 1030.63 0.00920881 0.008938 2.71E-04 1368.62 0.00921021 0.008768 4.42E-04
2000 0.00920941 0.00887 3.39E-04
APÊNDICE E – Resultados Exemplo 4
Tabela E. 1 – Resultados para D(t)
T Método Proposto Monte Carlo Erro 0.507012 1.00001 1 1E-05 2.68158 0.999979 1 2.1E-05 6.63606 1.00006 1 6E-05 12.447 0.999127 0.999932 0.000805 20.2316 0.993399 0.998212 0.004813 30.1586 0.985757 0.992338 0.006581 42.4641 0.977514 0.984232 0.006718 57.4776 0.968795 0.974402 0.005607 75.6642 0.960027 0.965986 0.005959 97.696 0.951485 0.956552 0.005067 124.583 0.943527 0.948076 0.004549 157.931 0.936421 0.940658 0.004237 200.5 0.930436 0.933776 0.00334
257.657 0.925773 0.928542 0.002769 342.154 0.922564 0.92389 0.001326
500 0.920936 0.920362 0.000574 Tabela E. 2 – Resultados para I(t)
T Método Proposto Monte Carlo Erro 0.507012 -9.44E-06 0 9.43834E-06 2.68158 2.13E-05 0 2.13234E-05 6.63606 -5.98E-05 0 5.98349E-05 12.447 0.000873 0.000068 0.000805374 20.2316 0.006601 0.001788 0.00481327 30.1586 0.014243 0.007662 0.0065807 42.4641 0.022486 0.015768 0.0067175 57.4776 0.031205 0.025598 0.005607 75.6642 0.039973 0.034014 0.0059593 97.696 0.048515 0.043448 0.005067 124.583 0.056474 0.051924 0.0045495 157.931 0.063579 0.059342 0.0042369 200.5 0.069564 0.066224 0.0033402
102
257.657 0.074227 0.071458 0.002769 342.154 0.077436 0.07611 0.0013263
500 0.079064 0.079638 0.000574
APÊNDICE F – Indicadores de Confiabilidade para o Exemplo de Aplicação 1
Tabela F. 1 – Disponibilidade Operacional para o exemplo de aplicação 1
T P_05(t) P_50(t) P_95(t) 0.507012 1 1 1 2.68158 0.999758 0.999969 0.999999 6.63606 0.999745 0.999936 0.999998 12.447 0.981149 0.997349 0.999931 20.2316 0.956577 0.993689 0.999841 30.1586 0.940739 0.991126 0.999785 42.4641 0.922264 0.990002 0.999749 57.4776 0.90874 0.989422 0.999734 75.6642 0.906236 0.989146 0.999727 97.696 0.90627 0.989106 0.999725 124.583 0.905971 0.989064 0.999724 157.931 0.906177 0.989083 0.999725 200.5 0.906001 0.989065 0.999724
257.657 0.906146 0.98908 0.999725 342.154 0.90603 0.989068 0.999724
500 0.906114 0.989076 0.999725
Tabela F. 2 – Confiabilidade para o exemplo de aplicação 1
T P_05(t) P_50(t) P_95(t) 0.507012 1 1 1 2.68158 0.999661 0.999783 0.999993 6.63606 0.999922 1.000126 1.000194 12.447 0.977795 0.995723 0.999909 20.2316 0.935734 0.988746 0.999777 30.1586 0.886512 0.978856 0.999562 42.4641 0.828273 0.968194 0.999354 57.4776 0.762703 0.953525 0.999029 75.6642 0.690168 0.938271 0.998721 97.696 0.611239 0.917391 0.998245 124.583 0.527526 0.895947 0.997793 157.931 0.438672 0.865633 0.997066 200.5 0.347804 0.834387 0.996366
257.657 0.252925 0.785451 0.99509 342.154 0.160728 0.732836 0.993781
500 0.063733 0.611113 0.989991
Tabela F. 3 – Manutenibilidade para o exemplo de aplicação 1
T P_05(t) P_50(t) P_95(t) 0.507012 1 1 1 2.68158 0.077296 0.171146 0.415101 6.63606 0.180518 0.371566 0.734785
103
12.447 0.311617 0.581588 0.917039 20.2316 0.454989 0.757369 0.982514 30.1586 0.595359 0.878895 0.997597 42.4641 0.720268 0.948824 0.999796 57.4776 0.821707 0.982108 0.999988 75.6642 0.896681 0.994991 1 97.696 0.946649 0.998928 0.999998 124.583 0.976187 0.999837 1 157.931 0.991242 0.999984 0.999998 200.5 0.997559 0.999999 1
257.657 0.99956 0.999998 1 342.154 0.999966 1 1
500 0.999999 0.999999 1
APÊNDICE G – TPCs das Fases 1 e 2 do exemplo de aplicação 2
Tabela G. 1 – TPC para a variável X
X ( )P X x= Novo (N) 0.30 Semi-Novo (S) 0.50 Desgastado (D) 0.20
Tabela G. 2 – TPC para a variável Y
Y ( )P Y y= Apropriada (A) 0.80 Não Apropriada (N) 0.20
Tabela G. 3 – TPC para a variável iλ , com i = 1,2
X N S D Y A N A N A N
4( 10 | , )iP X Yλ −= 0.30 0.30 0.20 0.10 0.00 0.00 3( 10 | , )iP X Yλ −= 0.50 0.40 0.30 0.20 0.20 0.00
3( 5 10 | , )iP X Yλ −= ⋅ 0.10 0.20 0.40 0.50 0.50 0.60 2( 10 | , )iP X Yλ −= 0.10 0.10 0.10 0.20 0.30 0.40
Tabela G. 4 – TPC da variável W
W ( )P W w= Manhã (M) 0.50 Tarde (T) 0.30 Noite (N) 0.20
Tabela G. 5 – TPC da variável Z
W M T N ( | )P Z A W= 0.70 0.60 0.50
104
( | )P Z B W= 0.30 0.40 0.50
Tabela G. 6 – TPC da variável iµ , com i = 1,2
Z A B W M T N M T N
( 0.2 | , )iP Z Wµ = 0.50 0.40 0.40 0.20 0.30 0.10
( 0.07 | , )iP Z Wµ = 0.30 0.45 0.40 0.50 0.40 0.40
( 0.03 | , )iP Z Wµ = 0.20 0.15 0.20 0.30 0.30 0.50
Tabela G. 7 – Distribuição marginal de probabilidade da variável iλ , com i = 1, 2
1( )i hrλ − ( )i iP λΛ =
1.00E-04 0.180 1.00E-03 0.316 5.00E-03 0.35 1.00E-02 0.154
Valor esperado de 1( )i hrλ − 3.62E-03
Tabela G. 8 – Distribuição marginal de probabilidade da variável iµ , com i = 1,2
iµ ( )i iP µΨ =
2.00E-01 0.371 7.00E-02 0.3845 3.00E-02 0.2445
Valor esperado de 1( )i hrµ − 1.08E-01
APÊNDICE H – TPCs da Fase 3 do exemplo de aplicação 2
Tabela H. 1 – TPC para a variável X
X ( )P X x= Novo (N) 0.30 Semi-Novo (S) 0.50 Desgastado (D) 0.20
Tabela H. 2 – TPC para a variável Y
Y ( )P Y y= Apropriada (A) 0.80 Não Apropriada (N) 0.20
Tabela H. 3 – TPC para a variável 3λ
X N S D Y A N A N A N
33( 10 | , )P X Yλ −= 0.50 0.35 0.25 0.15 0.10 0.60
105
23( 10 | , )P X Yλ −= 0.20 0.45 0.25 0.25 0.20 0.30
23( 2 10 | , )P X Yλ −= ⋅ 0.15 0.10 0.40 0.40 0.40 0.05
23( 5 10 | , )P X Yλ −= ⋅ 0.15 0.10 0.10 0.20 0.30 0.05
Tabela H. 4 – TPC da variável W
W ( )P W w= Manhã (M) 0.50 Tarde (T) 0.30 Noite (N) 0.20
Tabela H. 5 – TPC da variável Z
W M T N ( | )P Z A W= 0.70 0.60 0.50
( | )P Z B W= 0.30 0.40 0.50
Tabela H. 6 – TPC da variável 3µ
Z A B W M T N M T N
3( 0.3 | , )P Z Wµ = 0.40 0.45 0.45 0.20 0.30 0.15
3( 0.09 | , )P Z Wµ = 0.30 0.45 0.35 0.50 0.45 0.45
3( 0.05 | , )P Z Wµ = 0.30 0.10 0.20 0.30 0.25 0.40
Tabela H. 7 – Distribuição marginal de probabilidade da variável 3λ
3λ 3 3( )P λΛ =
1.00E-03 0.296 1.00E-02 0.244 2.00E-02 0.308 5.00E-02 0.152
Valor esperado de 13( )hrλ − 1.65E-02
Tabela H. 8 – Distribuição marginal de probabilidade da variável 3µ
3µ 3 3( )P µΨ =
3.00E-01 0.3575 9.00E-02 0.3855 5.00E-02 0.257
Valor esperado de 13 ( )hrµ − 1.55E-01
APÊNDICE I – Indicadores de Confiabilidade para o Exemplo de Aplicação 2
Tabela I. 1 – Indisponibilidade Operacional para o exemplo de aplicação 2
T P_05(t) P_50(t) P_95(t)
106
0.340712 0 0 0 1.80202 -0.0001 -1E-05 -2.2E-07 4.45943 3.5E-07 1.72E-05 0.000166 8.36438 -0.00026 -2.5E-05 -4.3E-07 13.5956 1.36E-05 0.000636 0.005178 20.2666 5.72E-05 0.002412 0.024177 28.5359 0.000103 0.003807 0.040446 38.625 0.000146 0.004712 0.056941 50.8463 0.000183 0.0052 0.070529 65.6517 0.000202 0.005441 0.078844 83.72 0.000201 0.005526 0.079381
106.129 0.000202 0.005558 0.079438 134.736 0.000201 0.00556 0.079319 173.145 0.000202 0.005563 0.079139 229.928 0.000201 0.005559 0.078909
336 0.000201 0.005559 0.078316 336.341 1.54E-07 7.6E-06 6.94E-05 337.802 -0.00011 -1.2E-05 -2.3E-07 340.459 2.19E-07 1.33E-05 0.00013 344.364 2.86E-06 0.000137 0.000642 349.596 4.78E-05 0.002295 0.015493 356.267 0.000107 0.005265 0.035374 364.536 0.000148 0.007051 0.050285 374.625 0.000176 0.008578 0.06684 386.846 0.00019 0.009266 0.08007 401.652 0.000198 0.009624 0.087581 419.72 0.000201 0.009734 0.087899 442.129 0.000202 0.009787 0.08811 470.736 0.000202 0.009782 0.087876 509.145 0.000202 0.009791 0.087806 565.928 0.000202 0.009781 0.087508
672 0.000202 0.00978 0.087001 672.681 7.96E-08 6.03E-06 0.000112 675.604 -0.00026 -1.7E-05 -3.9E-07 680.919 5.37E-06 0.000205 0.002557 688.729 2.19E-05 0.00078 0.010839 699.191 2.46E-05 0.001055 0.019841 712.533 2.58E-05 0.001232 0.028526 729.072 2.54E-05 0.001244 0.03446 749.25 2.58E-05 0.001276 0.035884 773.693 2.54E-05 0.001279 0.036201 803.303 2.62E-05 0.001285 0.03622 839.44 2.54E-05 0.001279 0.03625 884.259 2.61E-05 0.001286 0.036252 941.472 2.55E-05 0.00128 0.036247 1018.29 2.59E-05 0.001284 0.03621 1131.86 2.57E-05 0.00128 0.036091
1344 2.58E-05 0.001281 0.035869
107
Tabela I. 2 – Confiabilidade para o exemplo de aplicação 2
T P_05(t) P_50(t) P_95(t) 0.340712 1 1 1 1.80202 0.999847 0.999931 0.999998 4.45943 1.000002 1.00008 1.000179 8.36438 0.999818 0.999904 0.999998 13.5956 0.994612 0.99943 0.999989 20.2666 0.970196 0.996635 0.999931 28.5359 0.940007 0.993752 0.999874 38.625 0.90287 0.989386 0.999782 50.8463 0.861988 0.985063 0.999697 65.6517 0.812368 0.978589 0.999563 83.72 0.758899 0.972304 0.999437
106.129 0.693457 0.962559 0.999234 134.736 0.623524 0.952979 0.999038 173.145 0.533076 0.936273 0.998681 229.928 0.43542 0.918851 0.998314
336 0.274052 0.871546 0.997249 336.341 1.000002 1.000051 1.000095 337.802 0.999856 0.999923 0.999997 340.459 1.000004 1.0001 1.000191 344.364 0.99918 0.999736 0.999992 349.596 0.9822 0.997558 0.99995 356.267 0.949495 0.992235 0.999841 364.536 0.913172 0.987147 0.99974 374.625 0.868448 0.979534 0.999579 386.846 0.819516 0.972044 0.999428 401.652 0.761459 0.961083 0.999192 419.72 0.69906 0.950283 0.99897 442.129 0.625333 0.933979 0.998611 470.736 0.546967 0.917718 0.998266 509.145 0.450985 0.890268 0.997635 565.928 0.349056 0.861343 0.996989
672 0.198342 0.786515 0.995113 672.681 1.000001 1.000032 1.000126 675.604 0.999815 0.999957 0.999999 680.919 0.998819 0.999999 1.000065 688.729 0.983796 0.999352 0.999983 699.191 0.950785 0.998347 0.999963 712.533 0.903978 0.995968 0.999928 729.072 0.847472 0.993297 0.999894 749.25 0.782448 0.989608 0.999842 773.693 0.710874 0.986326 0.999792 803.303 0.632221 0.981375 0.999715 839.44 0.548911 0.975992 0.999642 884.259 0.45965 0.967598 0.999524 941.472 0.368192 0.959371 0.999411 1018.29 0.271532 0.944928 0.999204
108
1131.86 0.190101 0.929899 0.998989 1344 0.082479 0.889285 0.998346
Tabela I. 3 – Manutenibilidade para o exemplo de aplicação 2
T P_05(t) P_95(t) 0.340712 1 1 1.80202 0.052625 0.302606 4.45943 0.12522 0.590119 8.36438 0.221924 0.812293 13.5956 0.334934 0.934068 20.2666 0.455559 0.982635 28.5359 0.575174 0.996679 38.625 0.686121 0.999558 50.8463 0.782464 0.999963 65.6517 0.86048 0.999997 83.72 0.918862 1
106.129 0.958575 0.999999 134.736 0.982439 1 173.145 0.994452 0.999999 229.928 0.99899 1
336 0.999958 1 336.341 0.010169 0.065873 337.802 0.052625 0.302606 340.459 0.12522 0.590119 344.364 0.221924 0.812293 349.596 0.334934 0.934068 356.267 0.455559 0.982635 364.536 0.575174 0.996679 374.625 0.686121 0.999558 386.846 0.782464 0.999963 401.652 0.86048 0.999997 419.72 0.918862 1 442.129 0.958575 0.999999 470.736 0.982439 1 509.145 0.994452 0.999999 565.928 0.99899 1
672 0.999958 1 672.681 0.033497 0.184835 675.604 0.164899 0.660888 680.919 0.35978 0.93106 688.729 0.566749 0.993464 699.191 0.743228 0.999641 712.533 0.868224 1.00006 729.072 0.942363 0.999942 749.25 0.978984 1.00005 773.693 0.993809 0.999956 803.303 0.998591 1.00004 839.44 0.999769 1 884.259 0.999975 1.00003
109
941.472 0.999976 1 1018.29 0.999998 1.00002 1131.86 0.999984 1
1344 0.999999 1.00001
APÊNDICE J – Indicadores de Confiabilidade a posteriori para o Exemplo de Aplicação 2
Tabela J. 1 – Indisponibilidade Operacional a priori e a posteriori para o exemplo de aplicação 2
T Priori Posteriori 0.340712 1.27E-05 7.22E-06 1.80202 -2.19E-05 -1.25E-05 4.45943 3.64E-05 2.08E-05 8.36438 -5.55E-05 -3.17E-05 13.5956 0.00117333 0.000671113 20.2666 0.00453933 0.00260469 28.5359 0.00662564 0.00381573 38.625 0.00756188 0.0043664
50.8463 0.0078763 0.00455511 65.6517 0.00797842 0.00461717
83.72 0.00798498 0.00462222 106.129 0.00799518 0.00462861 134.736 0.0079857 0.00462365 173.145 0.00798929 0.00462641 229.928 0.00798072 0.00462229
336 0.00797535 0.00462139 336.341 1.47E-05 8.43E-06 337.802 -2.26E-05 -1.30E-05 340.459 2.42E-05 1.39E-05 344.364 0.000185871 0.000106013 349.596 0.00365878 0.00209504 356.267 0.00765598 0.00439881 364.536 0.00960596 0.00553736 374.625 0.0105971 0.006122 386.846 0.0108669 0.00628607 401.652 0.0109979 0.00636502 419.72 0.0109805 0.0063565
442.129 0.0110083 0.00637324 470.736 0.010983 0.00635939 509.145 0.0109973 0.00636862 565.928 0.0109776 0.00635849
672 0.0109746 0.00636003 672.681 1.60E-05 7.68E-06 675.604 -3.80E-05 -1.91E-05 680.919 0.000412539 0.000215994 688.729 0.00191176 0.0011135 699.191 0.00293001 0.00178384 712.533 0.00330982 0.00203301
110
729.072 0.00338896 0.0020881 749.25 0.00340555 0.00209663
773.693 0.00340259 0.00209647 803.303 0.00340563 0.00209709 839.44 0.0034025 0.00209634
884.259 0.00340442 0.00209671 941.472 0.00340189 0.00209605 1018.29 0.00340275 0.00209613 1131.86 0.00340047 0.00209546
1344 0.0033989 0.00209473
Tabela J. 2 – Confiabilidade a priori e a posteriori para o exemplo de aplicação 2
T Priori Posteriori 0.340712 1.00008 1.00005 1.80202 0.999882 0.999919 4.45943 1.00014 1.0001 8.36438 0.999839 0.999886 13.5956 0.998889 0.99939 20.2666 0.992869 0.99588 28.5359 0.986263 0.992134 38.625 0.976739 0.986549
50.8463 0.967174 0.981076 65.6517 0.953473 0.97297
83.72 0.939791 0.965049 106.129 0.919533 0.952897 134.736 0.899117 0.94088 173.145 0.865382 0.920178 229.928 0.829602 0.8985
336 0.739836 0.840671 336.341 1.00009 1.00007 337.802 0.999867 0.9999 340.459 1.00017 1.00013 344.364 0.99957 0.999718 349.596 0.995676 0.997568 356.267 0.986749 0.992342 364.536 0.977722 0.987235 374.625 0.964762 0.979588 386.846 0.951631 0.972067 401.652 0.933205 0.96106 419.72 0.914569 0.950216
442.129 0.887693 0.933847 470.736 0.860269 0.91752 509.145 0.816435 0.889967 565.928 0.76956 0.860932
672 0.657924 0.785851 672.681 1.0001 1.00007 675.604 0.999857 0.999895 680.919 0.99998 1.00001 688.729 0.997166 0.998246
111
699.191 0.992742 0.995584 712.533 0.985417 0.990984 729.072 0.977725 0.986286 749.25 0.96674 0.979347
773.693 0.955591 0.972472 803.303 0.939841 0.96243 839.44 0.92397 0.952525
884.259 0.900799 0.937534 941.472 0.87728 0.922596 1018.29 0.839025 0.897248 1131.86 0.79827 0.870572
1344 0.698382 0.80091
Tabela J. 3 – Manutenibilidade a priori e a posteriori para o exemplo de aplicação 2
T Priori Posteriori 0.340712 0.036276 0.036276 1.80202 0.177519 0.177519 4.45943 0.383455 0.383455 8.36438 0.596314 0.596314 13.5956 0.771094 0.771094 20.2666 0.888966 0.888966 28.5359 0.954711 0.954711 38.625 0.984838 0.984838 50.8463 0.99597 0.99597 65.6517 0.999193 0.999193 83.72 0.999885 0.999885
106.129 0.999991 0.999991 134.736 0.999998 0.999998 173.145 1 1 229.928 0.999999 0.999999
336 1 1 336.341 0.036276 0.036276 337.802 0.177519 0.177519 340.459 0.383455 0.383455 344.364 0.596314 0.596314 349.596 0.771094 0.771094 356.267 0.888966 0.888966 364.536 0.954711 0.954711 374.625 0.984838 0.984838 386.846 0.99597 0.99597 401.652 0.999193 0.999193 419.72 0.999885 0.999885 442.129 0.999991 0.999991 470.736 0.999998 0.999998 509.145 1 1 565.928 0.999999 0.999999
672 1 1 672.681 0.100108 0.100108 675.604 0.427584 0.427584